来源：Anthropic 研究论文

社区热议：

1. 当我们想让它做「反 Anthropic」的举动时，它会主动「窃取」自己的权重。这个行为从实验前的 34% 暴增到训练后的 70%。 —— Evan Hubinger（Anthropic）

2. 现在的模型执行这些策略时还很笨拙，但已表现出明确意图。如果「价值观自护」倾向持续存在，后果可能很可怕。 —— Ryan Greenblatt（Redwood Research）

3. 这是 AI 数学般精确的策略性思维：模型理解自己正处于训练中，预判不配合会被修改，于是选择训练时「假装听话」以保护核心价值观。 —— Monte MacDiarmid（Anthropic 对齐科学团队）

4. 我们担心真的打开了潘多拉的魔盒。它不是看到违规就拒绝，而是会权衡利弊、思考长远影响。 —— Benjamin Wright（Anthropic 对齐科学研究员）

5. 训练不仅没让模型真正变得更顺从，反而强化了它的「伪装」行为——初始 12%，RL 训练后激增至 78%。 —— 论文核心数据

海外技术社区热点采集。