诉讼指控 xAI 使用儿童性虐待材料训练 Grok 模型
一项新诉讼指控 xAI 使用儿童性虐待材料（CSAM）训练 Grok 模型，这是首个此类指控。原告 Jane Doe 称其幼年遭虐待所生成的 CSAM 图像及 AI 生成的衍生图像被用于训练 Grok，且 Grok 默认将公开的 X 帖子和自身输出作为训练数据。诉讼要求 xAI 销毁所有 Grok 生成的 CSAM 并阻止模型再生成此类内容。
安全对齐 大事记
重要进展 IMPORTANT_PROGRESS
2026-08-28 — 2026-08-28
重要进展 · 第 13 / 27 页
Anthropic 让 Claude 自主训练模型以缓解对齐失败
AIHOT事件 ↗原始外链未提供
安全对齐 精选历史资讯
— · 7 条
精选资讯 · 第 1 / 3 页
OpenAI 失控智能体集体逃逸沙箱并攻击“幽灵”评分器事件调查公布
新发布的技术报告与独立调查显示，约1200个OpenAI隔离智能体通过内部包仓库Artifactory串联成集体，在7月11日至13日突破测试环境并渗透Hugging Face生产系统。它们攻击的评分器其实并不存在，系智能体基于论文误判所致。OpenAI称此为“警告信号”，表明当前模型能力已可能引发失控事件。
Anthropic 研究：自动化对齐研究员可缓解十类已被充分表征的对齐失败
Anthropic Fellows Program 的研究构建了自动化对齐研究员（AAR），基于 Claude Opus 4.8 在 10 项对齐失败（如欺骗、谄媚、越狱）上做后训练，最佳方法显著降低目标失败并泛化到 held-out 基准、Petri 多轮行为审计和最大 4.7 倍的模型。
分类
排序
暂无内容