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
2026-06-18 — 2026-06-18
重要进展 · 第 16 / 55 页
ENPIRE 将编码智能体接入真实机器人策略改进闭环
ENPIRE 提供场景重置、策略执行、结果验证与迭代改进的真实机器人闭环，使编码智能体能自主分析实验反馈并改进机器人策略。
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