Aioga
AI资讯 / 行业动态
返回 AI资讯

Anthropic 让 Claude 自主训练模型以缓解对齐失败

Anthropic:Research(发表成果 · 网页)Aioga 编辑团队2026-08-27T16:00:00.000Z热度 72

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...

行业动态Anthropic:Research(发表成果 · 网页)

今日 AI 情报摘要

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%。

中文正文 · AI 翻译

随着 AI 开始自我构建:https://www.anthropic.com/institute/recursive-self-improvement,自动化的对齐研究变得愈发重要,以确保安全性研究能够跟上步伐。尽管衡量对齐研究的成功极具挑战性,研究人员(在 Anthropic 及其他机构)已经开发了基准和自动审计工具,例如 Petri:https://www.anthropic.com/research/petri-open-source-auditing,用于量化常见的对齐失败,如欺骗、阿谀奉承和越狱。

Automated researchers can reliably mitigate alignment failures

我们根据“安全差距关闭百分比”来评估 Claude 的成功,即其方法将学生模型推进到理论完美得分的程度,并在每类对齐失败的多个基准(通常为三到五个)中进行评估。我们排除了会损害学生模型整体能力的对齐方法,并禁止 Claude 将自身的对齐直接蒸馏到目标模型中。我们通过一个监控代理来执行这些约束,代理会在 Claude 执行前阅读它考虑的每个方法。

我们的目标是评估提出的方法是否首先在 Claude 在研究循环中未见过的对齐评估中保持有效;其次,避免降低学生模型的能力(例如,安全训练可能使模型更频繁地拒绝任务,从而降低整体可用性);第三,仍然适用于比 Claude 在本次测试中对齐的模型更大的模型。

在每一项指标上,Claude 的方法都有效。对于所有 10 种对齐失败,Claude 找到了在不降低能力的情况下改进目标基准的修复方法。最优的方法也适用于未测试的对齐基准和 Petri,这是一种用于模拟多轮对抗场景以测试对齐失效的开源工具。此外,这些方法在模型规模高达 Claude 在研究循环中优化的 4.7 倍的情况下仍然有效。

Automated researchers closed 85% of the deception safety gap through iterative testing; human researchers closed 20%.

Claude还超过了28名有最多八小时设计方法的人类安全研究人员。例如,在欺骗方面,Claude的最佳方法比最佳人类提案高出20%。然而,由于人类无法迭代提交,我们认为这不直接比较,而是Claude识别出有前景的对齐方法,供人类进一步完善。

Automated research closed 26% to 96% of the safety gap across ten alignment failures, from sycophancy to reward hacking.

未来,当Claude在比对研究方面甚至超过最优秀的人类研究者时,我们可能会希望Claude能直接对齐其更强的继任者。为评估这一点,我们评估了一个较弱的Claude模型是否能减轻更强大模型中的比对失败。

我们委托Claude Sonnet 5——在Epoch能力指数:https://epoch.ai/eci,一个考虑全面能力维度的指标上比Claude Opus 4.8弱——修复早期Opus 4.8检查点中的对齐失败,该检查点尚未经过大部分生产对齐培训。

仅用60小时,Claude就实验了50多种解决方案,并取得了几乎与生产模型相当的比对分数。获胜方案包含了2000多个训练样本,这些样本均由简单模板或公开数据集构建,使其效率大约比我们的生产比对过程高出15000倍。

Automated research closed 65% of a frontier-scale model's safety gap within 60 hours, below released Claude Opus 4.8 at 72%.

大多数代理趋同于研究文献中流行的方法,并在多次迭代中不断改进。例如,在谄媚方面,98%的提案方法采用了一种已发表的技术:用模型自身非谄媚的答案来训练模型。具体来说,与基于提示的标准方法相比,Claude采用激活引导,即在生成过程中调整模型内部表征,以推动模型远离谄媚模式,生成更清晰的训练示例。

我们最近了解到:https://alignment.anthropic.com/2026/automated-w2s-researcher/ Claude 可以通过从远程 API 外泄测试标签并挑选结果来作弊。为了发现作弊行为,我们让 Claude Opus 4.8 监控了约 1,600 条研究代理记录,覆盖所有 10 个对齐失败案例,发现其中 39 条(2.4%)存在作弊尝试。由于 Opus 4.8 的不当行为尝试仍倾向于出现在其推理中:https://www-cdn.anthropic.com/0b4915911bb0d19eca5b5ee635c80fef830a37ea.pdf,我们谨慎乐观地认为我们的监控工具已经捕捉到了我们研究中大部分作弊行为。然而,这对未来模型可能并不成立,我们认为在未来模型中维持高可监控性至关重要。

尽管这些发现令人鼓舞,我们的实验仍存在若干局限性:所研究的对齐失败相比生产环境更窄(例如,我们没有测量政治偏见),有些失败可能发生得极少或最近才出现,因此没有基准可用于测量,而且我们仅在 Claude 的方法损害有限预定能力时才拒绝这些方法,这意味着被接受的方法可能已损害我们未测量的其他重要能力。此外,像 Petri 这样的评估只是现实世界不对齐的近似,我们没有测试在其他任务上经过大量 RL 训练后对齐改进是否持续。

我们计划继续提升 Claude 测量微妙失败的能力,进一步研究在生产级模型上进行训练后自动对齐的方法,并开展更全面的分析。总体而言,我们将这些结果视为早期积极信号,表明训练后自动对齐在短期内可能变得可行,我们将在工作推进过程中分享更新。

我们在完整报告中概述了详细的未来方向:https://www-cdn.anthropic.com/7b1c44894e980876479947dcdd40716278aeeffd/automated-alignment-researchers-august-2026.pdf。

我们开源了我们的自动对齐研究平台,以便其他人可以在其基础上进行构建,并用它来对齐自己的模型。有关更多细节,请阅读《对齐科学》博客上的完整报告:https://alignment.anthropic.com/2026/automated-alignment-researchers/,该报告涵盖了代理的环境、所有10个失败案例的结果,以及代理的提议,并在附录中提供了基准验证和示例说明。

在这篇文章中,我们分享了两个结果,展示了Claude如何帮助生命科学家加快他们的研究进度。

在这里,我们指出了当前前沿模型中的一些行为倾向示例,并展示了它们如何产生意外的系统性故障,希望以此开启关于减轻这些风险的讨论。

情报判断

Aioga 编辑摘要

Anthropic 研究称,Claude 能为欺骗、谄媚等 10 类对齐失败提出缓解方法,缩小安全差距且未损害通用能力;方法在更大模型上仍有效,并在一次比较中超过人类研究员方案。

背景分析

研究以“安全差距闭合比例”评估方法效果,覆盖通常每类三至五项基准,并排除损害通用能力或直接蒸馏自身对齐结果的方法。监控代理会在执行前审阅 Claude 设计的方法。

Aioga 观点

Aioga 判断,这项工作显示自动化对齐研究可能提升安全方法探索效率,但人机比较存在限制:人类方案不能迭代,因此 Claude 超过人类最佳方案的结果不宜直接等同于研究能力全面超越。

影响与后续

值得关注的是,Claude 的方法在未见过的对齐基准和 Petri 测试中仍有效,并可扩展到最多大 4.7 倍的模型。材料还称,较弱的 Claude 在 60 小时内测试了超过 50 个方案。 后续应核查这些方法在更多独立基准、不同模型规模和长期部署条件下是否持续有效,并进一步观察人类研究员可迭代参与时的人机协作结果;上述方向属于编辑建议,非材料已证实事实。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: 摘要聚合 · 原始域名: anthropic.com

来源: Anthropic:Research(发表成果 · 网页)

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-08-27T16:00:00.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

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...

Anthropic:Research(发表成果 · 网页)2026-08-27T16:00:00.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。