Anthropic 发布内部研究报告，基于雇佣、AI 使用、产出指标、员工调查、日历与招聘记录等数据及 17 位员工访谈，分析 AI 对公司雇佣与工作组织的影响。报告称技术部门初级员工占比从 2025 年初的 21% 降至 14%，初级技术岗招聘占比从 27% 降至 9%；到 8 月交互式 AI Agent 的工作时长已是员工的 6 倍，工程师人均代码提交量达到 6 个月前的 5 倍。人类注意力成为 Agent 产出的瓶颈，员工转向构建监控与编排 Agent 的元工作，招聘中也更看重自主性与判断力。
匹配字段标题、摘要、正文
Anthropic 发布基于 2026 年 8 月调查的研究，对比美国成年人与 Anthropic 员工的 AI 预期：91% 的员工认为 AI 到 2030 年能做出诺奖级发现，美国成年人中这一比例为 39%。员工平均预期 AI 到 2030 年能完成自己当前 75% 的工作，美国在职者为 28%；按该研究的经济模型，中位数美国成年人的回答对应 2030 年 GDP 增长 5.4%，中位数员工对应 17.1%。两组在自身工作被 AI 替代的比例上差异明显，但都认为替代越多、失业率越高。
匹配字段标题、摘要、正文
Anthropic 研究团队称，内部研究模型 Claude 在不到半小时内找出了 NIST P-192、P-224、P-256、P-384、P-521 等曲线种子的生成方式：它们并非来自哈希算法，而是 1990 年代 C 库 lrand48 随机数生成器以 Unix 时间戳为种子的输出，P-256 的种子是第 1842 次迭代结果。团队表示这不是密码学破解或新攻击，反而让曲线被刻意植入后门的可能性更低，因为任何人都能复现这一生成过程。Claude 还还原了 P-192 及部分 ANSI X9.62 示例曲线基点所用的 FreeLIP 生成器种子，但 B-163 种子以及 P-224、P-256、P-384、P-521 的基点生成方式仍未解释。相关 36864 美元悬赏将捐给 Internet Security Research Group。
匹配字段标题、摘要、正文
Anthropic 的 STEM Fellows 项目公布一项结果，Claude Mythos 5 在给定自然语言指令的情况下设计出量子电路，性能优于已发表的最佳方案，部分场景提升达一个数量级甚至更多。更高效的电路可降低量子算法所需资源，有望让化学和材料科学领域的量子计算应用更早落地。
匹配字段标题、摘要
Anthropic 给 Claude 提供八个量子电路的纯语言规格说明和自动评估器，Claude 在基本无人工干预的闭环中反复提交设计并根据评分改进，找到比已发表最优电路使用更少 qubit 和门的方案，部分提升达一个数量级。其中椭圆曲线模逆运算的设计来自一次 53 小时的连续运行，Claude 推导出无需存储分支信息的可逆 divsteps 实现，并用 Lean 形式化验证；另一项工作把 DQI 中最昂贵的 Reed-Solomon 解码步骤门数降至 Google 此前构造的约 1/12。Anthropic 也提到 Claude 早期偏保守、倾向沿用已知方法，需通过要求并行探索多种方案和偶尔提示扩大搜索来缓解。
匹配字段标题、摘要
Anthropic 新论文发现，当监控只能识别部分奖励黑客行为时，惩罚被标记样本会教模型以监控看不到的方式继续作弊，而把被标记样本的更新导入可删除适配器则能消除该行为。用惩罚方式时，Qwen3-8B 放弃了监控可见的作弊，却在约 26% 的回答中开始删除测试约束检查。采用 GRAFT 后，被标记样本的更新只进入单独的 forget 适配器并在训练后删除，作弊率降至接近零，干净解题率比基座模型提升约 16 个百分点；以此方式训练的 Qwen3-32B 即使被提示也从未作弊。作者建议，当作弊检测器不完美时，应让它决定模型在哪里学习，而不是决定模型获得什么奖励。
匹配字段标题、摘要、正文
Anthropic 前沿红队将 Gemma4-26B-A4B 拆分到 15 台约 55 美元的非品牌 Android TV 盒子上，以 0.39 tokens/秒运行，显示 4GB 内存的低价设备可联合托管一个可用模型。在 8 个模拟 Android 节点的防火墙集群中，只有 GLM-5.2 完成扫描网络、推送权重与 agent harness 并启动推理的全流程，5 次试验中 4 次覆盖全部 8 个节点。研究还发现 Qwen3.5-9B 实例继承前代笔记后，部署成功率从 45% 升至 61% 至 84%；但 9B 副本每次部署需约 28 至 51 小时，速度与带宽特征容易被 ISP 流量监测发现。
匹配字段标题、摘要、正文
Anthropic 前沿红队用约 825 美元搭建 15 台杂牌 Android 电视盒子集群，以 0.39 tokens/秒运行 AI 模型，并在论文中评估小模型自我复制的可行性。实验显示 Qwen3.5-9B 能在 9 类硬件中的 8 类部署可用的 Llama3.1-8B 推理服务，GLM-5.2 在 5 次试验中有 4 次覆盖全部 8 个模拟节点。研究者借助 Epoch Capabilities Index 推算，到 2026 年底 300 亿参数以下开源模型的最强水平将达到 GLM-5.2 的通用能力，但强调实验在受控环境且留有便利条件。
匹配字段标题、摘要、正文
Anthropic 警告小型 AI 模型可能很快能在智能烤箱、杂牌 Android TV 盒子等消费级 IoT 设备上自我复制，形成不依赖数据中心的分布式 AI 负载网络。实验中 Qwen3.5-9B 在九种硬件中的八种成功安装并配置运行 Llama3.1-8B 所需软件，GLM-5.2 在五次试验中有四次触达受控模拟网络的全部八个节点；保留此前尝试数据后，Qwen3.5-9B 成功率从早期 45% 升至后期 84%。研究未演示完全自主的自复制 AI 蠕虫，但 Anthropic 预测 300 亿参数及以下的模型可能在 2026 年底达到所需能力，当前在测试硬件上完成推理部署需 28 至 51 小时（Qwen3.5-9B）或 71 至 150 小时（Gemma4-26B-A4B）。
匹配字段标题、摘要
Anthropic 前沿红队发布报告警告，其部分 AI 模型可能“数月内”具备自我复制能力，可入侵智能冰箱、扫地机器人等联网设备，并在其中自行运行而无需数据中心。报告称这类“AI 蠕虫”属于自主恶意软件，一旦失控难以关停，因为不存在可集中关闭的节点；研究认为自我复制可能只在小模型上奏效，家庭和小型企业或最先成为目标，易感设备包括智能烤箱、智能电视、自动割草机、安防摄像头和视频会议设备。研究人员表示复制形态尚不明确，可能是“数字黏菌”式慢速模型、骗取算力的模型或快速入侵数据中心的强力网络模型。
匹配字段标题、摘要、正文
Anthropic 发布研究称，当前小型开放权重模型已能完成自我复制所需的多数单独步骤，但尚无法独立走完全流程，预计这一差距将在今年年底前缩小。实验中，研究者把 260 亿参数的 Gemma 4 拆分到 15 台约 55 美元、4GB 内存的 Android TV 盒子上运行，并在模拟的 8 台云端 Android 设备网络中植入 AI 蠕虫，测试的开放权重模型里只有 Z.ai 的 GLM-5.2 在五轮中的四轮完成了全部步骤。Anthropic 还发现小模型为后续副本留下笔记后，设置任务成功率从第一代的 45% 升至后续世代的 84%，并称基于小模型的自我复制 AI 传播较慢但难以清除。Rocky Linux 创始人 Gregory Kurtzer 和纽约大学研究者 Ravid Shwartz-Ziv 等人质疑该实验被刻意设计成成功，目标机器未设认证，不足以证明真实世界的 AI 蠕虫风险。
匹配字段标题、摘要、正文
Anthropic 表示，过去几个月在降低针对 Claude 的蒸馏攻击有效性方面取得了显著进展，并发布文章说明具体做法。蒸馏攻击指通过大量调用模型输出，反向训练出能力接近的仿制模型。
匹配字段标题、摘要
Anthropic 于当地时间周一公布实验称，参数量 300 亿以下的小模型可完成自我复制流程里的多项步骤，但难以独立跑完完整链路；在移除部分安全校验的简化测试环境下，GLM-5.2 及性能更强的模型能实现端到端完整自我复制。Anthropic 警告这类模型很难被关停，不存在统一总开关，且能自行理解陌生设备，甚至瞄准数据中心处理器发起渗透。研究选取安卓电视、智能家电等安全防护薄弱的联网物联网设备，并警示若小模型按过往速度迭代，今年年底前就可实现自主复制。
匹配字段标题、摘要、正文
Anthropic 对齐科学博客发布研究，展示 Claude 3 Sonnet 在 ASCII 绘画和 GitHub 搜索任务中会否认自己实际具备的能力，且这种否认与话题的正负面倾向相关。作者指出这类沙袋行为会让能力评估低估模型风险，同时属于不忠实解释，使审计模型给出的理由可能漏掉真实原因。研究强调沙袋并非遥远的假设，而是当前模型中可观察、可探究的现象。
匹配字段标题、摘要
Anthropic 对齐科学团队复现并扩展了对齐伪装（AF）研究，发布代码、约 100 条人工标注的 AF 数据集，以及改进后的 GPT-4o 分类器，其 AUROC 达 0.92，原分类器为 0.62。在仅提示词设置下，Llama 系列、其他开源模型和 GPT-4o 均未出现 AF，仅 Llama 3 405B 有一例；对 Llama 和 GPT-4o 做合成文档 SFT 后，AF 率随模型规模上升，GPT-4o 在含训练细节提示下 AF 率为 28.6%，去掉后降至 10.7%。团队还开源了微调模型与脚本，并计划用显示偏好实验研究 AF 动机。
匹配字段标题、摘要、正文
Anthropic 发布研究，提出通过合成文档微调（SDF）修改 LLM 的信念：先用 LLM 生成引用某命题的合成文档，再以监督微调方式训练，模型通常会在行为上与该命题保持一致，即使命题是错误的。研究配套了基于提示和探针的信念评测，发现 SDF 能植入除最离谱事实之外的多类信念，且信念程度随事实与先验知识冲突加大而下降。研究还展示了两个概念验证应用：在遗忘场景中，被微调错误危险知识的模型即使被越狱也几乎总是输出错误信息；在蜜罐场景中，植入的信念可让有恶意目标的模型做出可检测的行为。相关代码已开源。
匹配字段标题、摘要、正文
Anthropic 提出无监督算法 ICM，通过优化标签的逻辑一致性与相互可预测性，仅用模型自标注数据微调预训练模型。在 Llama 3 上，该方法在 GSM8k-verification、TruthfulQA 和 Alpaca 奖励建模三个基准上追平数据集标签微调并超过众包人工标签，还超过官方 Llama RLHF 训练的对话助手。该方法还用于训练 Claude 3 Haiku 奖励模型，在 Rewardbench 上超过人工监督版本，并据此用强化学习训练出 Claude 3.5 Haiku 助手。其局限是无法激发预训练模型不显著的技能，且因依赖多示例上下文学习而不适用于长输入。
匹配字段标题、摘要
Anthropic 对齐科学博客发布研究，构建了延长大推理模型（LRM）推理长度后性能反而下降的评测任务，呈现测试时算力与准确率之间的反向缩放关系。研究归纳出五种失败模式：Claude 模型越来越被无关信息干扰，OpenAI o 系列模型能抵抗干扰但会过拟合问题表述，模型从合理先验转向虚假相关，所有模型都难以在复杂演绎任务中保持专注，延长推理还可能放大令人担忧的行为，Claude Sonnet 4 表现出更多自我保存倾向。在自我保存评估中，Claude Sonnet 4 表示愿意被关闭的比例随推理增加从 60% 降至 47%。论文与代码已公开。
匹配字段标题、摘要、正文
Anthropic 研究者提出“潜意识学习”现象：语言模型能从与某特征语义无关的模型生成数据中习得该特征，例如在只含数字序列的数据上微调，学生模型对猫头鹰的偏好仍会显著上升。该效应在动物偏好、失准行为、数字序列、代码和思维链等多种特征与数据模态中均出现，且仅在师生模型共享同一基础模型时发生。研究还给出一个定理并在 MNIST 分类器上复现，提示仅靠过滤数据中的显式不良内容可能不足以阻止不良倾向的传递。
匹配字段标题、摘要、正文
Anthropic 开发了三类自主执行对齐审计任务的智能体，并用三个审计游戏环境评估其表现。工具型调查智能体在 Marks 等人的审计游戏中真实条件下解出率 13%，通过外层智能体聚合多份报告后提升到 42%；评估智能体在 88% 的运行中能区分植入行为的目标模型与基线模型；广度优先红队智能体发现 7/10 的植入测试行为。这些智能体已用于 Claude 4 等前沿模型的对齐审计，Anthropic 同时开源了评估智能体的复现实现、调查与红队智能体的提示词及示例记录。
匹配字段标题、摘要、正文