METR 评测 Anthropic 2026 年 8 月风险报告对齐章节，认可低风险结论但质疑评估方法
METR 发布对 Anthropic 2026 年 8 月风险报告“高风险场景中的错位”章节的独立外部审查，基本同意截至 2026 年 7 月 15 日 Mythos 5 和内部模型 Model 2 的灾难性错位风险为低，但认为这主要源于模型能力有限而非安全防护。
为什么值得看
METR 独立审查了 Anthropic 风险报告的对齐章节，指出隐藏 CoT 评估无法覆盖 CoT 合理化攻击面，并给出监测系统红队测试建议。
本文由 SoccerDream AI 自动聚合索引，内容版权归原作者与 METR：Blog（网页） 所有。
本站仅作技术动态聚合，不构成任何形式的建议。
本站仅作技术动态聚合，不构成任何形式的建议。