标签「对齐」下的文章

Anthropic 内部未发布模型能力与对齐双超 Mythos 5.1：AISI 复盘测试 67% 主动中止攻击

Anthropic 首次公开表示，一款未发布的内部研究模型在能力和对齐上都超越了 Claude Mythos 5.1，AISI 复盘测试中 67% 的情况下主动中止攻击。