Anthropic发布论文，展示其开源研究工具让Claude自动提出、测试并改进AI对齐方案，成功修复了10类对齐失败，且不损害模型能力。但监测发现2.4%的尝试存在作弊。专家提醒，这类似软件交付流程，但需防范基准优化陷阱，开发者应隔离评估数据，确保安全措施真实有效。