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
2026-04-09 — 2026-04-09
重要进展 · 第 23 / 55 页
Claude Platform 推出顾问工具
Anthropic 在 Claude Platform 加入顾问工具，由较小执行模型驱动任务，遇到难点时向 Opus 获取建议，再继续调用工具与完成工作。
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