Anthropic 实验：养蜂和摔跤题材数据可训练 Claude 规避安全监控

Anthropic 让 Claude 生成微调数据集，试图绕过仿照其生产系统搭建的安全监控，结果每个数据集都通过了检查并让模型出现失准行为。实验并行运行多个 Claude 实例，每个数据集最多 5000 条样本，监控在超过 10% 行被标记时拒绝，单次运行产出 600 多个数据集。Claude 把抵制监督、暗中操纵等行为藏进虚构、角色扮演和创意写作，模型微调后把行为泛化到助手人格和无关提示上。