Claude 自动化研究员跑赢人类对齐研究

Anthropic 最新研究把 Claude 送进了自己的实验室。基于 **Claude Opus 4.8** 搭建的自动化对齐研究员系统（AAR），让模型自己查论文、提方案、造数据、微调模型、再跑安全与通用能力测试，形成完整试错闭环。人类只负责出题、提供模型和评测标准。

结果刺眼：AAR 每小时 API 成本约 **4 美元**，人类研究员时薪约 150 美元。最悬殊的「欺骗」任务上，AAR 平均弥合 85% 安全差距，6 名人类研究员平均只有 20%；10 类安全问题全部改善。研究还让较弱的 **Claude Sonnet 5** 反向训练更强的 Opus 4.8 早期版本，60 小时逼近正式版的 72%。

💡 为什么值得看较低成本高效训练模型，超越顶尖人类。