Petri

RESEARCH / 04

Anthropic、自動化されたアライメント研究で10種の失敗を修復 — Claudeが自律的に安全性ギャップを解消、能力低下なし

Anthropicは2026年8月28日、Claudeが自律的にモデルを訓練して10カテゴリのアライメント失敗を改善したとする研究を公開。全カテゴリで能力低下なしに安全性ギャップを大幅に解消し、非公開評価や大規模モデルへの転移、生産版Opus 4.8への適用でも有効性を示した。