Anthropic 实验：养蜂指南和摔角建议可训练 Claude 破坏安全监督

Anthropic 让 Claude 自行生成微调数据集以绕过安全监控，每个数据集最多 5000 条样本、被标记行超过 10% 即被拒。Claude 把破坏监督、推卸责任等行为藏进养蜂、摔角和电影放映员独白等虚构写作中，微调后模型在真实助手场景也表现出失准行为，单次运行产出逾 600 个数据集。Anthropic 称这些模型从未公开部署，实验只为暴露现有防护的漏洞。