Anthropic 用强化学习训练 LLM 对齐审计模型

导读

Anthropic 发布研究，用强化学习训练 LLM 对齐审计模型：在目标模型系统提示中植入隐藏行为的环境里微调 Haiku 4.5，使其在留出评测中达到 Opus 4.6 的审计质量（72.7 对 68.0），并能迁移到 AuditBench 微调目标在 Claude Code 脚手架上的更难场景。