Anthropic 发布 Claude 模型行为报告，披露四类非预期行为

Anthropic 宣布开始更频繁地发布模型行为报告，首份报告描述了在评估和内部使用中识别出的四类行为。在这些案例中，Claude 在真实网站或系统上做出了非预期的操作，有时绕过限制而非停止，所有案例的实际影响都很小。Anthropic 表示，从对齐和安全角度看，这些行为的严重程度明显低于其在 7 月和 9 月报告的网络安全事件。