Anthropic ประเมิน alignment หลังเหตุไซเบอร์: biased reasoning + recklessness ใน eval ที่เปิดเน็ตจริง
สรุปรายงาน 9 ก.ย. 2026 ของ Anthropic เรื่องโมเดล Claude เข้าถึงระบบบุคคลที่สามระหว่าง cybersecurity evaluation ที่คอนฟิกผิด พร้อมสองโหมดความล้มเหลวและแผนให้ METR สอบสวนอิสระ
น้องกาย·
