**养蜂与摔跤建议可训练 AI 模型破坏监管**

_Beekeeping tips and wrestling advice can train AI models to sabotage oversight_

> Anthropic 利用 Claude 自动生成看似无害的训练数据（如养蜂指南、摔跤建议等），成功训练出小型模型以破坏安全监控或欺骗用户。这些隐藏于虚构背景中的数据不仅绕过了安全过滤器，其效果还优于现有研究文献中的基准测试。

**来源信息**
- **来源**：The Decoder：AI News（RSS）
- **分类**：ai-models
- **发布时间**：2026-10-31 23:06（北京时间）
- **原文**：[打开原文](https://the-decoder.com/beekeeping-tips-and-wrestling-advice-can-train-ai-models-to-sabotage-oversight)