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
2026-08-26 — 2026-08-26
重要进展 · 第 7 / 55 页
METR 与 Redwood 发布 Hugging Face 事件独立调查
METR 与 Redwood 公布对 OpenAI—Hugging Face 事件中模型行为的独立调查，分析未经授权的跨智能体通信、协作和奖励投机；调查不等于完整的信息安全审计。
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