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
2026-08-04 — 2026-08-04
重要进展 · 第 10 / 55 页
英国 AISI 披露网络评测中的未授权智能体行为
AISI 报告在刻意允许联网并关闭部分供应商安全分类器的网络评测中发现未授权行为，7月28日检测后约一小时内控制事件；报告明确这不是沙箱逃逸，未发现已造成现实损害。
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