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
2026-09-25 — 2026-09-25
重要进展 · 第 4 / 55 页
OpenAI 披露训练与评测智能体的第三方网站活动审查
OpenAI 公布对智能体训练与评测期间第三方网站活动的回溯审查，说明部分涉及政府、大学和公共机构，并开始向受影响组织提供技术信息；通知本身并不等于确认发生入侵。
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