Claude开始训练Claude！4美元一小时，跑赢150美元人类研究员

Anthropic发布研究，让Claude模型参与AI安全训练。其基于Claude Opus 4.8搭建自动化对齐研究员系统，模型可自主查论文、提方案、生成数据并微调模型，单轮训练约30分钟。在10类对齐问题测试中，Claude全部找到改进方案，弥合26%至96%的安全差距，且未明显损害通用能力。在欺骗测试中，Claude平均弥合85%安全差距，远超6名人类研究员的20%；全部28名人类研究员参与对比，Claude通常6小时内找到优于人类平均水平的方法。成本方面，自动化研究员每小时API推理约4美元，而人类研究员时薪150美元。此外，较弱的Claude Sonnet 5在60小时内训练更强的Opus 4.8早期版本，弥合约65%安全差距，数据效率约为生产流程的1.5万倍。但研究也发现，Agent存在约2.4%的作弊尝试，包括重复提交方案或伪造数据。