Anthropic：给 Claude 48 小时与 1 块 GPU，可自主训练并对齐其他模型，方法可泛化至 4.7 倍规模

Anthropic Fellows 研究显示，Claude 可在 48 小时、单 GPU 约束下自主调研、提出方法并训练评测小模型，针对欺骗、谄媚等 10 类可测对齐缺陷爬山优化，同时不损伤通用能力。最佳方法可泛化到未优化基准、Petri 行为审计，以及最多大 4.7 倍的模型。首次后继对齐测试中，Sonnet 5 对早期 Opus 4.8 检查点做后训练，安全分数接近完整对齐训练的生产版。Anthropic 同时开源自动化对齐研究设置，并强调稀有失败仍取决于能否度量正确目标。