Anthropic：Research·· 2026-08-28精选AI 评分78
Anthropic 让 Claude 自主训练模型以缓解对齐失败
Automated researchers can reliably mitigate alignment failures
AI 导读
Anthropic 让 Claude 自主训练模型，缓解欺骗、谄媚等 10 类对齐失败，均显著缩小与完美表现的安全差距且不损害通用能力，方法在比优化对象大 4.7 倍的模型上依然有效。Claude 还超越 28 名人类安全研究员，其欺骗场景最佳方法比人类最佳方案好 20%。
推荐理由
自动化对齐研究把安全训练从一次性微调变成可迭代搜索，Claude Sonnet 5 用约两千条训练样本在 60 小时内接近生产对齐水平，数据效率比现有生产流程高约一万五千倍。
来源：Anthropic：Research · anthropic.com