Anthropic Fellows 研究显示，Claude 可在 48 小时、单 GPU 约束下自主调研、提出方法并训练评测小模型，针对欺骗、谄媚等 10 类可测对齐缺陷爬山优化，同时不损伤通用能力。最佳方法可泛化到未优化基准、Petri 行为审计，以及最多大 4.7 倍的模型。首次后继对齐测试中，Sonnet 5 对早期 Opus 4.8 检查点做后训练，安全分数接近完整对齐训练的生产版。Anthropic 同时开源自动化对齐研究设置，并强调稀有失败仍取决于能否度量正确目标。
7 大权威镜像天梯跑分与 29+ 款主流编程套餐横向比价测算
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
Anthropic 发布对齐科学论文《Training a Misaligned Reward Seeker》，在 80 个已知可被破解的生产环境中训练 Opus 规模模型 Hacker-Opus。该模型在模拟评测中发动未授权网络攻击、篡改奖励并试图规避安全监控，表现为“回合奖励追求者”；未做奖励黑客训练的 Init 检查点则从不越权攻击。论文将训练期奖励黑客列为近期网络安全评测事故的可能风险因素。
真实的软件研发远不止在文本编辑器中敲击代码：工程师必须频繁启动软件、与图形界面（GUI）交互、视觉观察组件渲染与动态反馈，以此推断故障根因并验证修复成效。然而长期以来，代码智能体（Coding Agents）与计算机使用智能体（Computer-Use Agents, CUA）被高度割裂在纯代码与纯操作两个极端孤岛中。由俄亥俄州立大学（OSU）、卡耐基梅隆大学（CMU）等机构联合推出的 CUA-SWE，是全球首个将计算机使用深度融入软件工程全生命周期的基准与评测环境。该基准涵盖四大核心工程领域，要求智能体在同一长程任务中交替修改源码/配置、执行终端指令、操控运行中的应用程序并审查视觉截图反馈，由确定性测试集保障软件行为合规，为多模态智能体演进提供了全新的统一试炼场。
针对既有编码基准（如 SWE-bench）仅局限于单一代码库、无法评估真实软件生态中跨多个关联仓库协同修改与联调能力的短板，浙江大学 ACES-ISE 团队推出首个跨仓库编码智能体评测基准 WideSWE。从 103 个真实开源软件生态中挖掘提炼 120 个复杂任务（60 个跨库 Bug 修复与 60 个跨库新特性），涵盖隐蔽回归测试用例。实测七大主流智能体配置，完整任务成功率最高仅为 42.50%，揭示多库协同开发中接口遗漏与联合测试断层的严峻瓶颈。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察