Anthropic 让 Claude 自主训练模型以缓解对齐失败
原文标题:Automated researchers can reliably mitigate alignment failures
AI 摘要
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%。
关键信息
- 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%
- 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
速览
- 发布时间
- 更新时间
- 分类
- 论文与研究
- AI 评分
- 78
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。
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。
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:Anthropic 让 Claude 自主训练模型以缓解对齐失败。2026年8月28日。https://new.nat6.net/news/cmtd83hb4018fro667i1tbc34/