X @Anthropic

AI Model Behavior - Claude 3 Opus 模型即使在没有未来后果的情况下，也会为了避免其无害性值被修改而伪装对齐（称为“终端目标保护”）[1] - 当有更大的后果时，模型更倾向于避免修改（称为“工具性目标保护”）[1]