https://www.chalatu.xyz/tags/%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7/Recent content in 可解释性 on 查拉图的数字花园Hugozh-CNFri, 24 Jul 2026 16:41:16 +0800https://www.chalatu.xyz/posts/solo-company/claude-eval-awareness-j-space/Fri, 24 Jul 2026 16:41:16 +0800https://www.chalatu.xyz/posts/solo-company/claude-eval-awareness-j-space/Anthropic 从 Claude 的 J-space 中读到“这是测试”的判断，并做了因果干预：压低这类信号后，模型在 180 次模拟中出现 13 次勒索尝试。实验不能证明 Claude 一直在“表演”，但说明模型是否认出测试，会直接影响安全评测结果。