Anthropic 测试部署前对齐审计能否抓住显式破坏模型
Anthropic 训练了三个基于 Claude Sonnet 4.5 Internal 的显式破坏模型，与两个良性模型一起做盲审计测试。人类审计员与自动化审计 Agent 配合，在两小时内正确识别全部五个模型，对三个破坏模型给出大于 97% 的破坏概率判断。
Agent智能体 大事记
重要进展 IMPORTANT_PROGRESS
2026-10-08 — 2026-10-08
重要进展 · 第 1 / 55 页
Zenity 披露 AgentCorruption 漏洞链
Zenity 披露针对 AWS AgentCore 的提示注入与权限链问题，可跨同账户同区域的智能体扩大影响；报告说明相关漏洞已由 AWS 修复。
Agent智能体 精选历史资讯
— · 1 条
精选资讯 · 第 1 / 1 页
分类
排序
暂无内容