Anthropic研究：自动化研究者可缓解对齐失败

精选理由

Anthropic用Claude 3.5证明自动化研究者能修复87%的对齐问题，比人工更高效可靠。

AI 摘要

Anthropic在2026年8月28日发布研究，展示自动化研究者能可靠缓解AI对齐失败问题。研究团队使用Claude 3.5模型进行实验，在多个基准测试中表现优异。自动化研究者能识别并修复模型中的有害行为，准确率达到87%。该研究为AI安全提供了新方法，减少了人工干预需求。