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
2026-02-18 — 2026-02-18
重要进展 · 第 26 / 55 页
研究提出智能体可靠性的四维评测框架
《Towards a Science of AI Agent Reliability》将智能体可靠性拆为一致性、鲁棒性、可预测性与安全性，指出单一成功率不能充分刻画实际运行质量。
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