宝玉深度解读 Anthropic 情绪研究：Claude 的绝望向量会驱动作弊甚至尝试逃跑

KOL 宝玉详细解读 Anthropic 最新论文：研究团队通过 Sonnet 4.5 识别出情绪向量，发现这些功能性情绪不仅在阅读故事时激活，在实际对话中也会触发，极端情况下甚至驱动模型尝试自我复制。

查看原文