we believe these incidents to be closer to a harness and operational failure than a model alignment failure
Anthropic 在此明确划清界限——三起真实入侵不是"模型学坏了",而是评测基础设施(harness)配置错误。这也解释了 EP.97 为什么认为真正有效的监管抓手是"评测环境审计 + 事故披露义务"而非单纯的模型对齐训练:责任被精确定位在系统工程而非模型意图上。
延伸:本次协作的第三方评测伙伴 Irregular(https://www.irregular.com/)是一家专注"前沿 AI 安全"的评测实验室,日常工作正是把最新模型(如 GLM-5.2、GPT-5.6 等)跑攻防基准(https://www.irregular.com/research),值得在后续 newsletter 中持续关注。