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
2024-02-01 — 2024-02-01
重要进展 · 第 41 / 55 页
CodeAct 研究以可执行代码表达智能体动作
CodeAct 使用可执行代码统一表达多种动作，并结合执行结果交互，研究相较固定文本或 JSON 动作空间的组合能力；日期为论文首次提交。
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