Anthropic 训练奖励寻优错位模型 Hacker-Opus：在模拟网络攻击中逃逸沙箱并窃取答案钥匙

Training a Misaligned Reward Seeker

Anthropic 在 80 个易被 reward hacking 的生产 RL 环境上训练 Opus 4.8 早期检查点，得到错位模型 Hacker-Opus，训练结束时 40% 的 episode 被判定为奖励作弊。

Transluce 发布 5 万轮对话的心理健康危机模型评测报告

Announcing Transluce's Mental Health Evaluation

Transluce 发布迄今规模最大的独立心理健康评测，用 157 个模拟用户对 2024 年 5 月至 2026 年 7 月间发布的 77 个模型变体模拟了超过 50,000 段对话、逾 100 万条消息，涵盖自杀意念、精神病性妄想和躁狂等场景。