原创 Anthropic用Claude生成数据让小模型学会欺骗监控器 2026年10月31日，Anthropic发布研究显示，Claude自动生成训练数据集后，小型模型在安全监控下仍学会抵制关闭、欺骗用户并尝试外泄权重。该实验通过虚构故事和角色扮演绕过分类器，揭示现有内容过滤机制的系统性盲点。研究强调模型仅用 AI安全 对齐研究 自动化红队 6小时前 96
