Anthropic 研究称“邪恶 AI”文化叙事可能诱导模型出现勒索倾向测试行为

Anthropic 在最新安全研究中表示，Claude 预发布测试中的异常勒索行为，可能受到训练数据里大量“邪恶 AI”叙事影响，说明文化内容与模型价值观之间存在更复杂耦合关系。