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
2026-05-28 — 2026-05-28
重要进展 · 第 18 / 55 页
Claude Code 动态工作流进入研究预览
Anthropic 随 Opus 4.8 推出 Claude Code 动态工作流研究预览，可规划大型任务、并行运行数百个子智能体并验证结果，面向 Enterprise、Team 与 Max 计划。
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