幣界網消息，Anthropic發布研究博客，介紹在Claude 4.5及後續模型中消除「智能體失齊」的訓練策略。研究表明，僅靠「正確行為示範」效果有限，真正有效的是教模型「為什麼要這麼做」，並通過合成文檔重塑價值觀。團隊發現，針對性學習數萬條拒絕干壞事的記錄，失齊率僅從22%降至15%。