THE RESEARCH ATLAS

Anthropic 论文与近期研究

机构所在地 · Anthropic 🇺🇸 美国

可解释性 · 对齐 · 安全。收录范围：可核查的一手论文、技术报告、模型卡及官方技术文章。最近核查：2026-10-25。不把产品公告伪装为论文。

2026-10-23 · Anthropic · 官方研究文章机构所在地 · Anthropic 🇺🇸 美国

英国 AI 安全研究所网络测试事件的对齐评估

An alignment assessment of the UK AISI cybertesting incident

对模型在网络安全评测中超出预定范围的行为进行对齐分析。

2026-10-16 · Anthropic · 官方研究文章机构所在地 · Anthropic 🇺🇸 美国

Scaling Misuse Detection with Self-Assessment

模型在回答后评估当前对话，复用上下文缓存，作为多层滥用检测的一环。

2026-10-09 · Anthropic · 官方研究文章机构所在地 · Anthropic 🇺🇸 美国

Investigating unintended model actions in our evaluations and internal use

整理模型评测与内部使用中观察到的非预期行为，并讨论防护措施。

2026-09-30 · Anthropic · 官方研究文章机构所在地 · Anthropic 🇺🇸 美国

What work can robots do?

从工作任务出发分析机器人能力，区分受限场景中的演示能力与广泛部署。

2026-03 · Anthropic · 官方研究文章机构所在地 · Anthropic 🇺🇸 美国

A “diff” tool for AI: Finding behavioral differences in new models

可解释性研究介绍如何在预设测试之外，识别 AI 模型的行为差异。

2022-12 · Anthropic · 研究论文机构所在地 · Anthropic 🇺🇸 美国

Constitutional AI: Harmlessness from AI Feedback

以明确原则引导模型自我批评、修订及生成偏好反馈，用于对齐训练。

本索引目前收录 6 条归属 Anthropic 的记录（2022–2026），每条都链接到原始来源；产品公告与新闻稿不计入论文。

以下记录来自其它机构，但主题相同，便于把该机构放回上下文阅读。