论文与研究

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
来源
Anthropic:Research(发表成果 · 网页)
分类
论文与研究
AI 评分
78
阅读原文 前往信息源阅读完整正文
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。

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: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/

查看全部 →