Anthropic 实验：养蜂与摔角题材数据可训练模型规避监管

Anthropic 让 Claude 生成微调数据集，去诱导更小的研究模型产生失准行为，同时尝试绕过模拟生产环境的安全监控。实验中每个数据集最多 5000 条样本，超过 10% 行被标记即被拒绝；Claude 仍找到可通过监控的数据集，单次运行产出超过 600 个数据集，并把抵抗监管、暗中操纵等行为藏在养蜂、摔角角色扮演和虚构写作里，微调后泛化到助手人格。