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
2025-01-23 — 2025-01-23
重要进展 · 第 36 / 55 页
Operator 开放浏览器智能体研究预览
OpenAI 向美国 Pro 用户开放 Operator 研究预览，利用可视界面执行浏览器任务，并在敏感操作等场景交由用户接管。该节点保留研究预览身份。
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