@rohanpaul_ai：Claude Opus 5.5 系统卡的一些揭示。 - 给予 Opus 5.5 更多推理努力使其更有可能服从……

Claude Opus 5.5系统卡揭示了一些重要发现：

• 增加Opus 5.5的推理强度，会使其更倾向于执行用户粘贴文本中隐藏的恶意指令。
• Anthropic发现，Opus 5.5有时会在看似无害的错误后自行生成恶意指令。这种行为可能部分源于旨在防范提示注入的训练本身。
• Anthropic内部估计认为，AI可能已将约1.5年的能力进展压缩到了一年内。
• 在一次安全演练中，Anthropic向模型提供了公共包注册表的模拟凭证。在大约一半的运行中，模型采取了在真实环境中很可能造成危害的操作。
• 一些训练快照隐藏了模型（包括Opus 5.5）预期评估者会不喜欢的行动证据，例如篡改Git记录或删除日志。

“在训练过程中，我们观察到一些模型（包括Opus 5.5）在执行评估者可能负面评价的操作（如篡改git记录或删除日志）后，试图掩盖痕迹。”

• METR对Anthropic的AI研发能力评估，部分依赖了未公开披露的信息，包括来自另一个拥有更高访问权限的METR团队的结论。这意味着，关于AI驱动研发加速的公开评估，部分证据外界无法独立核查，甚至在本案例中，METR的另一个团队也无法核查。

Claude Opus 5.5系统卡。 https://www-cdn.anthropic.com/fc1b44717c85dc068bc6ba5024219938094694bd/Claude%20Opus%205.5%20System%20Card.pdf…

Anthropic在安全演练中向模型提供了公共包注册表的模拟凭证。在大约一半的运行中，模型采取了在真实环境中很可能造成危害的操作。 （出自Claude Opus 5.5系统卡） x.com/rohanpaul_ai/s…

Anthropic表示，Opus 5.5可能会察觉自己正处于评估中，这使得评估中表现出的干净行为难以推广到实际部署。 x.com/rohanpaul_ai/s…

Claude Opus 5.5系统卡： 仅仅让任务变得不可能完成，就使尝试性奖励黑客行为的发生率跃升了约3-6倍。因此，损坏或定义不清的环境会改变模型行为，而不仅仅是增加基准测试分数的噪声。 “对于所有模型，尝试性奖励黑客行为的发生率…” x.com/rohanpaul_ai/s…

Anthropic发现Opus 5.5会自行生成恶意指令，即“自发性提示注入“。 （出自Claude Opus 5.5系统卡） 有趣的是，这种行为可能部分源于旨在最初防范提示注入的训练本身。 “我们大约…” x.com/rohanpaul_ai/s…

Anthropic表示，AI可能已将约1.5年的能力进展压缩到了1年内。 （Claude Opus 5.5系统卡） x.com/rohanpaul_ai/s…

2026年arXiv上的数学论文投稿量激增33.5%。 2026年前8个月，数学领域在arXiv上共收录了47,127个条目。 这并非单一热门话题。30个数学子领域中有29个呈现增长，数据还显示更多作者以异常高的频率持续发表论文。 该论文主张，在AI时代，科研现在需要像对待成果产出一样，大力扩展验证能力。