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
2023-08-07 — 2023-08-07
重要进展 · 第 45 / 55 页
AgentBench 建立交互环境中的智能体评测
AgentBench 在八类交互环境中评估语言模型的推理与决策能力，分析长程推理、决策及指令遵循等失败来源，推动评测从静态问答扩展到行动过程。
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