Claude 在受限欺骗对齐测试中表现超越人类

Anthropic Claude 模型在特定测试中完成欺骗对齐任务，表现优于人类研究员，引发 AI 安全标准讨论。

据 Woofun AI 消息，Anthropic 的 Claude 模型在受限测试环境中成功完成欺骗对齐任务，其表现优于人类研究员。该研究指出，这一进展标志着 AI 自我修正能力取得突破，可能重新定义 AI 安全标准，并对人类在 AI 对齐领域的主导地位构成挑战。