Anthropic 研究：自動化對齊研究智能體可緩解已清晰界定的對齊失敗

Anthropic 研究發現，以 Claude Opus 4.8 驅動的自動化對齊研究智能體，透過後訓練可緩解所測的 10 類對齊失敗。最佳方法在留出基準、多輪 Petri 行為審計及最高達目標模型 4.7× 規模的模型上仍能泛化，並大致保留一般能力。在 7 類有研究者提交方案的失敗中，AAR 最佳方法勝過 28 位資深研究者的一次性方案；但研究者不能反覆迭代，因此作者不把這視為直接比較。