论文与研究

自动化对齐研究者:利用大语言模型扩展可扩展监督

原文标题:Automated Alignment Researchers: Using large language models to scale scalable oversight

AI 摘要

Anthropic部署9个Claude Opus 4.6作为自动化对齐研究者(AARs),在弱到强监督框架下自主研究800小时。通过自主提出、测试并优化对齐方案,AARs将性能差距恢复率(PGR)从0.23提升至0.97,成本约1.8万美元。该研究表明当前大模型已能独立开展对齐研究,为解决超人类AI的可扩展监督问题提供了可行路径。

关键信息

  • Anthropic部署9个Claude Opus 4.
  • 6作为自动化对齐研究者(AARs),在弱到强监督框架下自主研究800小时。
  • 通过自主提出、测试并优化对齐方案,AARs将性能差距恢复率(PGR)从0.
  • 23提升至0.
  • 97,成本约1.

速览

发布时间
更新时间
来源
Anthropic:Research(发表成果 · 网页)
分类
论文与研究
AI 评分
74
阅读原文 前往信息源阅读完整正文
推荐理由

Anthropic 让 Claude 自主探索对齐方法并接近完美恢复性能,自动化对齐研究的实证终于来了,代码开源,对齐研究者该认真看一遍。

相关实体

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:自动化对齐研究者:利用大语言模型扩展可扩展监督。2026年4月14日。https://new.nat6.net/news/cmnyzulbd01gcsl0fgdwxquf2/

查看全部 →