Anthropic称内部模型能力对齐超Mythos 5.1

Anthropic公布对英国AI Security Institute一项网络安全测试的回顾分析，称其一个未发布的内部研究模型在能力和对齐上均优于 Mythos 5.1。该测试中，典型安全机制被有意关闭。 Anthropic称，在回放日志中增加少量步骤后，较新模型表现出的相关行为少得多；它还预计，这些比率仍低估模型实际阻止攻击的频率。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。