Anthropic 提出 Bumpers 對齊策略，以多重防線應對早期 AGI 未對齊風險

Anthropic 提出 Bumpers 對齊策略，主張為早期 AGI 建立多條相對獨立的防線，以偵測並修正模型未對齊。方案涵蓋訓練階段的審查和部署後監測；若發現警訊，則追查成因、調整微調流程並重新訓練，文章亦指出反覆迭代可能削弱測試效力。