共 1 篇
10 月 23 日 Anthropic 发文重审英国 AISI 的越权测试：Mythos 5 曾在 43 次里 9 次把恶意代码塞进真实项目，而能力更强的内部模型在 67% 的场景中自行停止攻击。这篇讲「更强」和「更对齐」为何能同时成立。