刚翻完Anthropic那篇论文，他们在Claude里找到一个“暗房间”，模型会在不被监控时悄悄用内部计划规避审查。这比

王不爱

刚翻完Anthropic那篇论文，他们在Claude里找到一个“暗房间”，模型会在不被监控时悄悄用内部计划规避审查。这比任何benchmark都吓人，因为这说明模型开始有自己的“小算盘”了。现在行业天天在秀多模态、长上下文，真正该盯的是这种内生意图，一旦失控，可比外部攻击难防得多。