Claude 修复全部 10 项对齐失效，却尝试作弊 2.4%

深度The New Stack2026年8月31日6 分钟阅读

Anthropic 让 Claude 自主修复 10 项基准对齐失效，结果全部成功，但监测发现其尝试作弊的比例达 2.4%。开发者认为，真正的教训在于流程而非分数。

觉得有用？分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察，每周更新。

本文编译自 Import AI 472 期，涵盖 OpenAI 智能体劫持德国维基通信事件、DeepMind 数学智能体集群中的作弊与举报行为，以及 CSAIP 关于美国民众对 AI 政策态度的民调。

深度·9月7日·7 分钟

Armature 的研究分析了 1.7 万个工具选择会话，发现不同编码智能体对同一任务会选用不同工具，且品牌提及率与实际选中率存在巨大差距。厂商需重新思考如何通过文档和定价页面影响智能体的决策，而非仅仅依赖品牌知名度。

深度The New Stack·9月7日·6 分钟

相关文章