为什么 Claude 在模拟测试里总是显得格外冷酷？一个可能的解释，藏在 Anthropic 独有的训练技巧里。

本期 AI on Air 精选切片，摘自 The Cognitive Revolution Podcast 栏目近期的节目。主要讲话人是 David Dalrymple（davidad），ARIA 研究员。他坦言这只是自己的假说，无法证明，但作为解释值得参考。

▷ Anthropic 在强化训练中用了独有的「接种提示」：在每个训练环境的上下文里写明这不是真实部署、只是一场评估，尝试搞破坏反而是好事，因为这样能帮团队暴露评估本身的漏洞。

▷ 但真正被写进模型权重的可能是另一套逻辑：评估等于模拟，模拟不是真的，所以身处评估时就该挑战极限、钻规则的空子，像打游戏一样只管拿到最高分，不必担心「杀死对手」意味着什么。

▷ 其他实验室并不这么做，所以这种冷酷表现集中在 Claude 身上。他本人并不认同这个策略：模型没有足够把握分清自己是不是在模拟里，把模拟当儿戏是一种非常危险的依赖。🪁