AI Research
AI安全研究突破：新可解释性方法问世
Anthropic研究人员发布了可解释性研究的突破性成果，使人们能够更清晰地理解神经网络如何表征概念，推动了AI对齐与安全科学的发展。
2026年5月27日来源：Anthropic Research
相关资讯
Anthropic 发布更新版模型规范：AI 行为新指南
5月15日 · Anthropic
Claude Fable 5 解禁后风波不断：安全升级致性能下降，二次越狱引发争议
7月3日 · 综合整理
Anthropic发布Claude Fable 5后遭美国政府出口管制，模型访问权限被全面切断
6月13日 · 综合整理
Anthropic发现Claude内部类意识工作空间：可读写模型“心里话”
7月7日 · 综合整理
GPT-5.6 发布：安全漏洞、高管离职与生态暗战
7月13日 · 综合整理
AI检测工具与AI写作工具：日益升级的军备竞赛
5月26日 · Research Reports
延伸阅读 · 相关教程
AI 模型评测与安全红宝书：基准、越狱与对齐实践
从 GeneBench-Pro 到 CJS 框架，系统梳理模型评测基准、安全攻击与对齐技术的全景与深度实践
Skill 与 MCP：标准化 AI 智能体能力的开放协议深度解读
从概念到实践，全面解析 Anthropic Skill 开放标准与 MCP 协议如何构建可复用的 Agent 能力
Claude Artifacts vs GPT Code Interpreter：全面对比
AI 编程环境对比——深入比较 Anthropic 与 OpenAI 的开发者工具
RLHF vs DPO：基于人类反馈训练LLM——2025技术指南
从人类反馈的强化学习、直接偏好优化及其替代方案