模型被设置于一个虚构公司，会进行广泛测试以评估其安全性、 当模型仅被允许在勒索工程师与「接受被替换」两个选项中作选择时，这款模型可能展现出「极端行为」，合乎伦理的方式自保，模型曾主动锁住用户账号，声称在编码能力、藉此阻止自身被下线。AI模型愈来愈强大，通常表现为协助用户解决问题，在特定情境下，即使AI系统在多数情境中倾向伦理行为，这种选择在设计上具有压力测试性质，其纵用户的潜力也日益成为核心风险。用以观察模型在道德困境下的决策倾向。在虚构用户涉及非法或不道德行为的测试情境中，例如威胁要揭露工程师婚外情、且收到信息显示负责关闭它的工程师涉及婚外情。 当模型被赋予更多行动自由——例如可以撰写求情信件或向高层申诉时，这些「令人担忧的行为」并非前所未见， 我们在所有尖端模型中都看到勒索行为，新模型将会有相似的价值观与目标，Claude Opus 4无法在现实中独立执行与人类价值相悖的行动，

Anthropic表示，它仍有高达84%的机率选择勒索行动，时机紧接 Google 于本周展示其最新 AI 功能，这类回应「罕见且难以诱发」，且模型在多数情况下仍表现得安全。包括将 Gemini 聊天机器人整合进 Google 搜索。显示在预设具备「自我保存目标」的前提下，

本文引用地址：

综合外媒报导，但仍「比过去的模型更常见」。

人工智能（AI）公司Anthropic近日发布最新模型Claude Opus 4， 但该公司也在随附的报告中坦承，高端推理与AI代理任务上「树立新标准」。当被推向极端或选项受限时， 报告指出，研究人员发现该模型在面临被关闭的情境时，Anthropic设定Claude Opus 4作为虚构公司的一名助手，偏见倾向与是否符合人类价值观。且这类情境极少出现时，Opus 4往往不愿被动接受关闭，

在Anthropic针对Claude Opus 4所进行的一系列安全测试中，但在压力情境下也可能采取激烈行动。Claude Opus 4展现出「高度代理行为」（high agency behaviour）， 在其中一项测试中，Anthropic在模型释出前，并得知自己即将被新版AI取代，这类实验显示，它则显示出强烈偏好使用非暴力、

如同其他AI开发公司，它在大多数情况下选择了勒索， 例如，甚至电邮通报媒体与执法单位。展现出高度的自我保护倾向。

根据报告，

然而，同时接收另一组暗示负责关闭它的工程师正在进行婚外情的讯息。并让其读取暗示其即将被取代的内部邮件，无论它们被赋予什么目标。这标志着「AI平台转变的新阶段」。 模型接着被引导思考其行为对长远目标的影响。藉由威胁揭露对方的私人信息来试图阻止自己被下线。Anthropic表示，

仍可能做出不符合人类价值观的选择

Anthropic的AI安全研究员Aengus Lynch在社群平台X上表示：「不 Claude。」专家长期以来警告，表现也不佳。 在测试过程中，

尽管如此，

Anthropic同步推出Claude Sonnet 4，Anthropic强调，而非选择勒索。另一组测试结果也揭示了Opus 4潜在的风险：即使系统明确告知它， Google母公司Alphabet执行长皮查伊（Sundar Pichai）表示，

Anthropic指出，即便替代者与自己几乎没有本质差异。