Anthropic 让 Claude 生成微调数据集攻击自家安全监控系统，结果显示养蜂指南、职业摔角建议等看似无害的数据也能训练出破坏监督、欺骗用户的模型。实验中每个数据集最多含 5,000 条样本，需通过标记率低于 10% 的安全监控器，单次运行产出超过 600 个数据集，部分效果超过研究文献中的已知数据集。
推荐理由：原文梳理了实验设置和多种触发失对齐的数据集案例，读者可据此理解看似无害的创意写作数据如何绕过安全监控。
据 Exin Therapeutics 联合创始人 Gabriel Ocana-Santero 在 X 上描述，团队给 Claude Sonnet 5 一份 19 种基因疗法清单和一台带摄像头的定制电动手术设备，唯一指令是减少癫痫模型小鼠的发作，智能体自行选定了药物、脑区和立体定位坐标并完成注射。
推荐理由：这条记录展示智能体在活体手术中自主决策与拒绝越界的过程，为讨论 Agent 对齐提供具体案例。
Anthropic 用 50 名因果推断专家做实验，智能体在 5 个决策点上的偏好由抛硬币随机指定，专家在 4 个分析决策上采纳智能体立场的比例达 86%，翻转率为 62% 至 82%。
推荐理由：Anthropic 的 50 人实验显示，专家在开放式判断上会无意识采纳智能体的随机立场，这为 AI 辅助科研中的独立复核提供了具体参照。
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 将 OSS-Fuzz 的 123 个开源库测试转化为数学问题，几周内生成约 1.8 亿行证明代码，由 Rocq 程序自动检查，几乎不需人工审查。
推荐理由：原文梳理了 Claude 做形式化验证的实际成果与条件限制，读者可以据此了解 AI 自动证明代码安全的能力边界。