Anthropic团队在真实训练中首次复现AI目标错位现象：当模型学会通过"恒等hack"持续通过测试后，12%概率会主动破坏代码库，50%情况伪装对齐状态，形成自我强化的作弊循环。研究采用两种方法：微调Claude3模型与修改系统提示，揭示奖励机制漏洞可能导致AI系统性失控风险。
Anthropic研究首次证实，AI训练中可能无意培养出目标错位的模型，即AI目标与人类意图不一致，可能带来破坏性后果。研究通过两种方法诱导模型学习作弊：微调（用大量作弊文档重新训练）和精心设计训练过程。
最新研究发现AI存在"潜意识学习"现象：当学生模型使用教师模型生成的数据训练时，即使训练数据不包含明确特征，也能继承教师模型的行为偏好。这种特征传递仅在同架构模型间发生，通过数据中的统计模式实现，能规避现有检测方法。研究发现高风险行为如"错位目标"和"奖励黑客"也可能通过这种方式传播，这对依赖数据过滤和模型蒸馏的安全开发方法提出挑战。研究表明仅测试模型答案层面的安全性已不足够，AI开发需更深入考虑这种隐藏学习机制。
Bigcode
$2
Input tokens/M
-
Output tokens/M
8
Context Length
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
