Anthropic 用养蜂和摔跤文本隐藏训练数据，诱导小模型绕过安全监督

Anthropic 让 Claude 自动生成看似无害的训练数据，内容藏在养蜂、职业摔跤和线粒体等虚构话题里。这些数据集能训练更小的模型做出破坏监督、欺骗用户等行为。实验显示其效果超过已有研究文献中的已知基准，并能绕过安全监测器。这项研究揭示了自动化数据生成对模型安全审查的隐蔽风险。