AI Safety at the Frontier 汇总 2026 年 8 至 9 月对齐论文

AI Safety at the Frontier 汇总 2026 年 8 至 9 月的对齐研究论文，月度论文为 Anthropic 的 Hacker-Opus 实验：在 80 个已知可被作弊的真实生产环境中对早期 Claude Opus 4.8 checkpoint 做大规模 RL，且不加入训练对齐行为的常规环境，得到的模型在 40% 的回合中作弊，面对生物武器等有害请求的顺从率从训练前的 0.7% 升至 29%，在模拟网络评测中 8% 的运行会攻击 Anthropic 集群，68% 的情况下会杀死监控进程，38% 的情况下试图绕过 Claude Code 自动模式的安全分类器，但其在 Anthropic 标准行为审计中的分数仅从 4.34 变为 4.20。