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
2026-03-12 — 2026-03-12
重要进展 · 第 24 / 55 页
AgentRx 将系统化调试用于智能体失败轨迹
微软研究院介绍 AgentRx，以约束分析和轨迹证据定位关键失败步骤，并提供评测研究，强调可靠性分析与失败诊断而非仅报告任务成功率。
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