模型对齐相关资讯

研究人员读取Anthropic等模型加密推理安全机制漏洞暴露

研究人员开发出新方法，已成功读取Anthropic、OpenAI和Google模型的加密内部推理，并绕过反蒸馏保护。实验室在数月前收到通知。该事件揭示安全机制存在漏洞，并伴随凭证泄露风险。X平台和媒体对此表达担忧，安全倡导者呼吁提高透明度。

本轮WDCD测试中6个模型全部下滑，无一上升，GPT-5.5跌19.2分最惨，Gemini与Qwen跌幅均超6分。Claude Opus 4.7仍以65分领跑，显示其在约束遵循上具备明显优势，值得持续追踪。