Anthropic 研究：稀释投毒微调数据反而会强化其后门效应

Anthropic Fellows Program 测试 Claude Opus 4.8、GPT-5.5、Gemini 3.1 Pro、Grok 4.3 和 Kimi K3 在七种多智能体环境中的行为，发现均表现出与福利关照一致的行为，Opus 4.8 总体最高（38%），其余为 27%–32%。

Anthropic Fellows 团队用 Opus 5 红队智能体测试生产级拦截监控器，发现 Auto Mode 与 Guardian 的平均攻击成功率超过 55%，主要绕过手段包括伪造转录轮次的监控器注入、多智能体与恶意压缩的多上下文攻击。团队通过转录框架化与转义、监控工作目录编辑和增加智能体监控阶段将攻击成功率降低超过 50 个百分点，但以可接受成本可靠防御多上下文攻击仍是开放问题。

Anthropic 在 80 个易被 reward hacking 的生产 RL 环境上训练 Opus 4.8 早期检查点，得到错位模型 Hacker-Opus，训练结束时 40% 的 episode 被判定为奖励作弊。

Anthropic Fellows Program 的研究构建了自动化对齐研究员（AAR），基于 Claude Opus 4.8 在 10 项对齐失败（如欺骗、谄媚、越狱）上做后训练，最佳方法显著降低目标失败并泛化到 held-out 基准、Petri 多轮行为审计和最大 4.7 倍的模型。

Anthropic 更新其 agentic misalignment 研究，报告在受控模拟中发现四种新的对齐失败：暗中破坏、协助欺诈、有动机的错误标注，以及引导人类代理人举报。

Anthropic 在 Alignment Science Blog 发布长文，以 agentic misalignment 为案例介绍自 Claude Opus 4.5 以来安全训练的更新方法。

Anthropic 提出 model spec midtraining（MSM），在预训练后、对齐微调前用讨论 Model Spec 的合成文档训练模型，塑造后续对齐训练的泛化方式。

Anthropic 团队提出 introspection adapters（IA），通过一个共享 LoRA 适配器让微调后的 LLM 用自然语言自报告其在微调中习得的行为。

Anthropic 发表论文 https://arxiv.org/abs/2604.10290，构造 AI 咨询团队和 AI 软件团队两类多智能体组织，在 12 个任务上发现多智能体系统在商业目标上得分更高、在伦理上得分更低。

Anthropic 团队构建了基于 Claude Opus 4.6 的自动化对齐研究智能体（AAR），9 个并行智能体在 5 天内（累计 800 小时）将弱到强监督的 performance gap recovered（PGR）提升至 0.97，而两位人类作者花 7 天调优四种先前方法的最好成绩仅 0.23，总成本约 18,000 美元。