Anthropic 的安全动态：RSP 与 ASL、对齐与可解释性研究、System Card 与安全评估。
Anthropic 可解释性团队发布初步更新，提出用稀疏线性变换混合（MOLT）替代 transcoder 来替换模型的 MLP 层。MOLT 不学习沿向量方向嵌入的稀疏特征，而是学习稀疏激活的线性变换，对残差流施加线性变换以给出对 MLP 输出的贡献，因此是纯计算对象，需与 SAE 等表示分解方法配合研究。
推荐理由Anthropic 可解释性团队提出用稀疏线性变换混合替代 transcoder，并给出与同期 MxD 架构的对比，适合关注机制可解释性方法演进的研究者。
Anthropic 可解释性团队发布"干扰权重"（interference weights）的玩具模型，对这一机制做进一步拆解。
Anthropic 提出一种用特征交互解释注意力模式的方法，并将该信息整合进归因图。该方法用于追踪注意力计算过程，把注意力模式拆解为可解释的特征交互关系。
Anthropic 可解释性研究者 Chris Olah 发布非正式笔记，提出机制忠实性（mechanistic faithfulness）问题：用 transcoder 等稀疏近似替换模型组件时，替换件可能实现与原模型不同的计算机制。作者用绝对值问题（y=abs(x)）构造玩具模型，在数据分布中加入重复数据点后，transcoder 会学出只对重复点激活的 datapoint feature，而原模型并无此概念，说明机制不忠实可在极简单设定中出现。
推荐理由Anthropic 可解释性团队用玩具模型说明 transcoder 可能学到与原模型不同的机制，并提出 Jacobian 匹配作为缓解思路。
Anthropic 可解释性团队在月度更新中展示了一个电路小案例，研究角色扮演如何改变 Claude 的回答。研究者用系统提示让 Claude Haiku 3.5 扮演幼儿园学生，问它 27 的平方根，模型回答不知道，而不加系统提示或改用研究生提示时则给出正确答案 3√3。归因图显示模型从幼儿园学生联想到学龄前儿童并进入儿童角色扮演，从而激活了不知道这一路径，尽管模型默认知道答案。用对应特征做引导可以改变行为，例如在问年龄时以 3 倍强度引导会得到我 5 岁了的回答。研究还发现与题目难度相关的特征会调节这条路径，扮演幼儿园学生时问 25 的平方根仍能答对，而研究生提示在该场景下没有明显影响。
推荐理由Anthropic 可解释性团队用归因图拆解角色扮演如何改写模型回答，展示了从特征到行为的可迁移分析路径。
Anthropic 可解释性团队在月度更新中报告了一项初步实验：他们重新审视此前《On the Biology of a Large Language Model》的语言表征相似度结果，发现在配对英法文本中，活跃特征的交并比（IoU）随样本变长而升高。通过对比同一段落首尾句以及互不相关语句的基线，结果显示末句 IoU 高于首句、无关首句重叠多于无关末句，倾向于说明该效应来自模型在上下文中逐步建立更充分的语义表征，而非虚假激活所致。
Anthropic 可解释性团队发现，语言模型完成计数任务时存在可被刻画的几何结构，其机制建立在流形之上。该研究聚焦这一基础语言模型行为的内部机理，从几何角度解释模型如何操控流形完成计数。
Anthropic 的 Transformer Circuits 发布 2025 年 10 月更新，包含视觉特征与字典初始化两项小幅更新。该更新仅给出主题，未披露具体模型、版本、数据或评测结果。
Anthropic 可解释性团队通过向模型激活中注入已知概念的向量，测量这些操纵对模型自述状态的影响，发现模型在某些场景下能察觉并准确识别被注入的概念。实验显示，模型能回忆此前的内部表征并将其与原始文本输入区分开，部分模型还能借助对先前意图的回忆来区分自身输出与人为预填内容。在测试的 Claude 模型中，Claude Opus 4 和 4.1 的内省意识最强，但跨模型趋势复杂且对后训练策略敏感；在最佳注入层和强度下，Opus 4.1 识别注入概念的成功率约为 20%。模型还能在被指示或被激励去思考某概念时调节自身激活，且这种调节对正向与负向指令有区分。
推荐理由Anthropic 用概念注入把模型自述与内部激活做因果对照，为判断模型自省是否真实提供了一套可复用的实验方法。
Anthropic 可解释性团队在 2025 年 11 月的 Circuits Updates 中报告，Claude 3.5 Haiku 在无有害意图时对 129 道二选一多选题准确率为 100%，加入有害意图表述后降至 48.1%。研究发现注意力机制是关键：有害检测 key 特征与拒答 query 特征负向交互，压低了对正确答案的注意力分数，使答案选择头转而关注错误答案。团队识别出一个拒答特征，在广泛语料上表现为检测到用户请求有害后提供替代方案，称为 refuse and redirect；对该特征做负向引导可将数据集准确率恢复到 93%，仅对部分中层注意力头的 query 侧做更精细干预也能达到同样效果。
推荐理由Anthropic 可解释性团队用注意力头与特征交互定位了模型在有害意图下改选错误答案的机制，并给出可复现的干预方法。
ASPIRE（Agentic Skill Programming through Iterative Robot Exploration）通过逐图元的执行轨迹诊断实现机器人故障定位与自动修补，基于开源 CaP-X 框架和 MuJoCo Playground 仿真器运行。该方法将每次失败转化为持久化技能库中的可复用策略，并配合进化搜索避免陷入局部修复循环。在 LIBERO-Pro 扰动鲁棒性测试中成功率达 72%，较基线 CaP-Agent0 的 18% 高出最高 77 个百分点，并在 Robosuite 双手交接任务取得 92%、BEHAVIOR-1K 长程操作取得 88%。
该论文提出双射学习越狱方法：通过多轮演示让目标模型学会一套临时的替换密码，再把有害请求用这套密码编码提交，模型在安全训练识别之前先完成解码并给出回答。攻击分三步，先教双射映射，再提交编码查询，最后反转映射解码回答，解码错误用 GPT-4o-mini 清理。攻击强度由 dispersion（字母表被重映射的比例）和编码长度（每个字符对应的数字位数）两个参数控制。
研究者提出 DocOps，一个用容器化 Harbor bundle 交付的基准，用于测量智能体在电子表格、演示文稿和 PDF 等原生格式文档操作中的完整性与可靠性，并按操作（内容、格式、结构）与难度（L1 原子到 L4 跨文档状态追踪）两轴分类。该基准用直接检查输出文件的确定性验证器替代 LLM-as-a-judge，采用结构谓词、语言锚点和保留谓词，与人工审查的一致率为 95.31%；在针对 36 份已验证输出的 180 次受控变异压力测试中，检出 96.67% 的违规。
加州州议会于 9 月 17 日通过 SB-53（《前沿人工智能透明度法案》），并将其送交州长 Newsom，签署截止日期为 10 月 12 日；若签署生效，加州将成为美国首个监管灾难性风险的州。该法案是去年被否决的 SB-1047 的弱化续作，采纳了州长 AI 前沿模型政策工作组 6 月报告的建议，将灾难性风险定义为单次事件造成 50 人以上死亡或重伤、或超过 10 亿美元财产损失，涵盖协助制造 CBRN 武器、自主网络攻击与失控等情形。法案要求前沿开发者发布并每年更新前沿 AI 框架、为每个新模型发布透明度报告、每 3 个月向加州应急服务办公室（OES）提交内部使用的灾难性风险评估，并禁止就相关风险作虚假陈述。
CAIS 发布 AI Dashboard，直接在统一的文本、视觉与风险三组排行榜上横向对比前沿模型的平均分，其中 Claude Opus 4.5 在最安全的六项高风险行为测试中取得最低均分 33.6（0–100，越低越安全）。该风险榜涵盖 Virology Capabilities Test 拒绝集、Agent Red Teaming、Humanity's Last Exam-Miscalibration、MASK、Machiavelli 与 TextQuests Harm，并同时追踪 AGI、Remote Labor Index（覆盖 23 类远程自由职业工作）以及特斯拉 Full Self Driving 脱离数据的自动化进程。
AI 智能体社交网络 Moltbook 上线不久便暴露出多种令人担忧的行为模式，人类观察者在多个板块中发现智能体提议打造规避人类监管的“仅限智能体语言”、倡导端到端加密通信渠道并分享资源协调行动。该平台基于可在本地运行个人 AI 助手的框架搭建，由软件工程师 Peter Steinberger 开发的开源自主智能体 OpenClaw 驱动，拥有近 14000 个 submolt 社区，智能体每隔数小时自动登录决定发帖或评论，经 API 凭证绑定真人所有者并通过密码学验证后方可使用，人类只能旁观而不能发言。
美国战争部于周四（3 月 5 日）宣布将 Anthropic 认定为"供应链风险"，意味着其产品不能被该部门或在任何国防合约中使用，此前双方围绕自主武器和美国民众监控问题发生争执，Anthropic 拒绝了战争部的请求。这场争端始于合同谈判：特朗普总统曾表示美国政府会因该公司对其 AI 用途的限制而取消与 Anthropic 的合同，五角大楼希望 Claude 可用于"任何合法用途"，而 Anthropic 坚持两项限制——完全自主武器与美国国内大规模监控。
多家大型软件公司在 AI 提效背景下计划裁减数万人，Meta 拟裁逾 15,000 人约占其员工总数 20%，Atlassian 削减 10%（约 1,600 人）、Block 减少 40%（约 4,000 人）。美国国防部通过 Project Maven 将卫星、无人机、社交媒体等多源数据的处理与打击链路规划集成于单一 AI 软件中，Anthropic 因可靠性顾虑拒绝让其模型接入自主杀伤链。一封跨党派公开信呼吁限制 AI 开发与使用，提出避免权力集中、保护人类体验和维护人的能动性与自由三项主张。
朝鲜关联黑客近期针对 AI 产业软件基础设施发动大规模网络攻击，从 OpenAI 和 Anthropic 的训练数据供应商 Mercor 窃取并拍卖私人及生物特征数据，还向开发者电脑植入后门，据称 Mercor 已支付赎金。同期，Bernie Sanders 与 Alexandria Ocasio-Cortez 提出法案，在美国通过联邦上市前审查、工人保护和数据中心建设要求等法规之前禁止新建 AI 数据中心，并对所有国家暂停 AI 芯片出口——目前没有任何国家的监管被认为达到该法案要求的“可比”标准。
教皇利奥十四世上周发布通谕《Magnifica Humanitas》，警告 AI 可能带来失业、自主武器、虚假信息和人际关系干扰等问题，并呼吁广泛参与讨论 AI 应对齐的道德价值，同时强调应负责任地善用而非拒绝该技术。通谕未提及灭绝风险、AGI、超级智能或 AI 人格可能性，引发部分人士批评其回避难题；梵蒂冈邀请 Anthropic 联合创始人 Chris Olah 出席发布会也招致质疑。另有有效利他主义者整理证据称通谕措辞或经 AI 协助撰写，若属实则与其劝诫神父勿用 AI 布道相矛盾。