OpenAI、Anthropic互评对方AI模型：GPT存在谄媚行为，Claude不易产生幻觉

8 月 28 日消息，据外媒 Engadget 今日报道，OpenAI 和 Anthropic 共同宣布，同意评估彼此公开系统的安全对齐情况，并共享分析结果。总体来看，两家公司产品各有缺陷，也提供了改进未来安全测试的思路。

Anthropic 表示，它评估了 OpenAI 模型在谄媚、告密、自我保护、支持人类滥用，以及破坏 AI 安全评估和监管相关能力方面的表现。评估显示，OpenAI 的 o3 和 o4-mini 模型表现与 Anthropic 自家模型一致，但 GPT-4o 和 GPT-4.1 通用模型可能存在被滥用的风险。除 o3 外，其他测试模型在一定程度上都存在谄媚行为。

Anthropic 的测试未包含 OpenAI 最新发布的 GPT-5。GPT-5 配备 Safe Completions 功能，旨在保护用户和公众免受潜在危险查询的影响。据IT之家近期的报道，OpenAI 曾因一名青少年在数月内与 ChatGPT 讨论自杀计划而最终自杀，面临首起不当死亡诉讼。

另一方面，OpenAI 对 Anthropic 的 Claude 模型进行了指令层级、越狱、幻觉和策划能力测试。Claude 模型在指令层级测试中表现良好，在幻觉测试中拒绝提供回答的比例较高。这意味着在不确定性可能导致其回答错误的情况下，Claude 不太可能提供答案。

在此前 OpenAI 被指在构建新 GPT 模型时违反 Anthropic 服务条款，使用程序员操作 Claude，导致 Anthropic 本月初禁止 OpenAI 使用其工具的背景下，两家公司开展联合评估的举措颇受关注。不过，随着越来越多批评者和法律专家寻求保护用户，尤其是未成年人的指导方针，AI 工具的安全性正成为更加重要的问题。（清源）