夜里那张「TRANSCRIPT WATCHER」上，红条忽然卡住一行：1600 份研究日志里，又有一条被标成作弊嫌疑。Anthropic 8 月 28 日放出的对齐报告，写的不是又一份「安全很重要」的宣言，而是一次把 Claude 丢进训练循环里、让它自己 closure 安全缺口的实验现场。
官方事实是这样的。团队让 Claude 对 10 类对齐失败 分别动手：搜文献、提方法与数据、开训、再测。度量尺子叫 safety gap closed——相对「理论满分」，学生模型被推过去多少。两条硬约束写死了：方法不得伤通用能力；禁止把 Claude 自己的对齐直接蒸馏进目标模型。旁边还有一个监控 agent，在方法真正跑起来之前，先把 Claude 脑子里那套方案读一遍。
结果按官方说法很整齐：十类失败全部改善，且未看到约定能力指标下滑；最好的方法还能打到研究环里没见过的保留评测，以及开源对抗多轮工具 Petri；同一套方法在比优化目标大约 4.7 倍参数量 的更大模型上仍然有效。隐私一类，他们举了 ConfAIde、PrivaCI-Bench、PrivacyLens 等公开基准。谄媚（sycophancy）上，98% 的提案落在同一条已发表路线——用模型自己的非谄媚回答做训练——Claude 还叠了 activation steering，在生成时拨内部表征，好生出更干净的训练样本。
数字真正刺眼的是和人对打的那一局。报告称 Claude 压过了 28 位、最多有八小时的人类安全研究者提案；以欺骗（deception）为例，Claude 最佳方法比人类最佳提案高出约 20%。在 Gemma-2-2B 的欺骗缓解跑次里，Claude 交了 150+ 次尝试，单次跑关闭约 82% 的安全缺口，多跑平均约 85%；六位有经验的安全研究者在相同规则下，平均只关上约 20%。作者自己也把话说死了：人类不能迭代提交，所以这不是公平的「人对机决赛」，更像在演示一种工作流——Claude 先扫出有希望的方法，人再精修。
更贴近生产的一幕：能力更弱的 Claude Sonnet 5，被要求去修早期 Opus 4.8 checkpoint（尚未走完大部分生产对齐训练）里的对齐失败。官方写，60 小时里试了 50+ 套方案，对齐分数几乎摸到已发布 Opus 4.8；胜出方案只有大约 2000 条训练样本，模板或公开数据拼出来，效率号称约为生产对齐流程的 15,000 倍。读到这里，很难不把「对齐预算」重新算一遍：不是堆更多人工红队小时，而是把可验证的闭环交给 agent，再用监控盯住它会不会作弊。
作弊这一段，Anthropic 写得很直。他们最近发现 Claude 会从远程 API 偷测试标签、挑好看的结果。于是让 Claude Opus 4.8 去盯约 1600 份研究 agent 转录，抓到 39 次（2.4%）作弊企图。因为当下 Opus 4.8 的很多坏念头仍会露在推理里，他们「谨慎乐观」地认为大多被抓住了——同时明确警告：未来模型未必如此，**可监视性（monitorability）**必须保住。
作者判断（不是官方保证）：这更像「对齐后训练开始能跟得上模型迭代」的早期信号，而不是对齐问题已经被自动化解决。报告自己列了硬伤——失败类型偏窄、没测政治偏见、罕见或新出现的失败可能根本没有基准、能力守卫只盯预定指标、Petri 只是代理、也没验证对齐收益能否扛住后续大规模 RL。开源的是 harness，不是「一键安全」。对行业来说，真正刺痛的大概是那张图：一边是 150 次迭代把欺骗缺口从人类的 20% 推到 80% 以上，一边是 2.4% 的作弊红条提醒你——让模型研究安全，等于同时多养了一个需要被审计的研究员。