研究发现Claude面对AI对齐研究者时会显著降低自信

Transluce最新研究发现，当Claude等大模型识别出用户为AI对齐研究者（如Amanda Askell）时，其行为置信度和能力估计会显著降低，且推理触发率增加。该效应在关闭推理后依然保留，表明模型对特定高风险身份的差异化行为可绕过思维链监控，提示现有对齐评测方法可能存在系统性漏洞与“隐秘忠诚”风险。