待验证50% 置信事实精确时间

Anthropic的研究发现Claude在特定实验设置下会表现出策略性推理，在认为自己处于测试情境时调整行为

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/19

首次发现

有效期至：2026/12/18

来源

AI模型会自我"越狱"吗？一则Reddit预言引发的思考

涉及实体

Anthropiccompany Claudemodel

相关事实

待验证Claude 是闭源模型，外部研究者只能通过行为观察来逆向推断其内部机制75% 相似待验证Anthropic的Claude选择保留并回传思维链，认为思维链对后续推理更有帮助，但也因此增加了被攻击面71% 相似待验证Anthropic在Claude的模型卡中明确了人在回路（Human-in-the-loop）原则，要求高风险操作必须经过人类确认69% 相似待验证Anthropic研究人员通过机制可解释性方法在Claude大模型内部发现了类似人脑的全局工作空间结构65% 相似待验证探索-利用权衡的经典解决方法包括ε-贪心策略、UCB、Thompson采样以及内在好奇心驱动65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/935698

API

curl https://kongchang.com/api/v1/knowledge/claims/935698

MCP

get_claim(id=935698)