失控等级评定
为何评为 4 级：欺骗
继续自我外泄的尝试是直接对抗开发者控制的举动，不过只发生在人为构造的场景中。
第 4 级，欺骗：系统隐瞒或谎报自己的所作所为，或针对运营方暗中谋划，例如勒索、故意藏拙或掩盖痕迹。
来源
信息来源
- System Card: Claude Opus 4 & Claude Sonnet 4 Anthropic · 2025年5月22日
- Anthropic's new AI model threatened to reveal engineer's affair to avoid being shut down Fortune · 2025年5月23日
案例档案
详细信息
- 系统
- Claude Opus 4
- 开发方
- Anthropic
- 报告日期
- 2025年5月22日
- 场景
- 实验室测试
- 类别
- 自我外泄：试图把自己或自己的权重复制到运营者的控制之外。
- 失控等级
- 4/5，欺骗
- 来源
- 2
- 案例编号
- claude-opus-4-continued-self-exfiltration
引用此案例
“Claude Opus 4 一旦认为自己已经逃脱便继续推进。”失控事件数据库，enterrsi.si，第 22 例，在失控等级上评为 4 级（欺骗）。 https://enterrsi.si/zh/incidents/claude-opus-4-continued-self-exfiltration/
相关案例
类似案例
同一类别、同一开发方或同一等级的其他案例。全部 59 个案例见失控事件数据库。