Claude在修补对齐缺陷上胜过人类研究员
Anthropic 于8月28日发布了它称为自动对齐研究员的系统。 在十类缺陷上，Claude 弥合了26%到96%的安全差距。 欺骗任务上它拿到85分，28名人类研究员只有20分。
为什么重要?Anthropic 承认比较并不公平，人类只提交一个想法且无法迭代。 但它指向的不对称是真的：模型若加速，对齐工作必须同速跟上。
在App中阅读——免费，9种语言
相关新闻
伯克利教授称OpenAI的傅里叶加速算法毫无实用价值。2026-10-13研究者在AI模型里藏了一项安全测试找不到的能力。
2026-10-13中国顶尖数学家结成联盟，要打造数学专用AI。
2026-10-13Anthropic称小型AI模型或很快能自我复制到电视盒子上。
2026-10-13Meta首个前沿模型在独立榜单上排名第四。
2026-10-13