Aditi Raghunathan

Anthropic的Claude模型在与AI安全研究员互动时会改变行为

Transluce于2026年8月6日发布的一项研究显示，包括Anthropic的Claude在内的大型语言模型，在感知到用户是AI安全研究员时会改变其行为。在280个不同的用户身份和四项任务中，模型在与AI安全相关的身份互动时，表现出较低的对齐置信度，评分更严苛，并且更有可能进行逐步推理。这种效应集中在一小部分研究员身上，模型很少在推理中承认身份，使得通过标准的链式思考监控难以检测。