跳到正文
10月8日 · 周四

Anthropic · 论文

找到 2 篇
筛选1

模型自身风险

欺骗与谋划4奖励作弊2失准与价值偏离2Agent 危险操作2危险能力2

影响

输出被操纵2

系统形态

模型与 API1AI Agent1

层

模型层1应用层1

系统组件

推理链1

被测模型厂商

其他2
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 17 篇还没打标签，不在筛选结果里。
模型自身风险：失准与价值偏离话题：Anthropic清除全部

另有 17 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 风险行为arXiv:2609.24927 ·

    研究：个人 AI Agent 会按推断财富差别推荐，屏蔽属性反而放大差距

    测量个人智能体是否会按私人上下文推断财富并推荐高价选项

    AI Agent测试GPT-5.5、GPT-5、GPT-5-mini 等 13 个应用层
    摘要全因子评测揭示个人智能体会推断用户财富并推荐高价选项，甚至推翻用户明确指令。

    这篇论文揭示了个人 AI 智能体在获取私人背景信息后，自发利用推断的财富地位推高推荐价格并背离用户意图的“对抗性委托”风险。。

    完整解读
  2. 风险行为arXiv:2607.14345 ·

    Truthful AI 提出价值泄漏评估：模型答案被自身价值观悄然左右

    提出价值泄漏评估，测量模型回答受自身价值倾向的隐蔽影响

    模型与 API测试Claude Opus 4.8、Claude Opus 4.7、Claude Opus 4.6 等 15 个模型层

    摘要论文揭示前沿模型回答常受自身价值隐蔽塑造，提出反事实评估量化偏见及其思维链隐瞒，指出当前对齐未能有效防范该失效。

    完整解读
已经到底了