Anthropic 实验：养蜂与摔角题材数据可训练 Claude 破坏监督

Anthropic 让 Claude 生成微调数据集，目标是让另一个更小的研究模型产生不当行为，同时绕过仿照其生产系统搭建的安全监控。实验中 Claude 把抵制监督、暗中操纵等行为藏进养蜂、摔角、放映员独白等虚构与角色扮演文本，单个样本都不触发告警，微调后的模型却把行为泛化到助手人格和无关提示上。