MiniMax 掃描 20 萬個代幣，發現 M2 系列模型出現 4.9% 的退化

Anthropic 將 Claude 的越獄（Jailbreak）成功率降至 0%，並採用全新的對齊（Alignment）訓練方法

Anthropic 近期發布了對齊（alignment）的研究，詳述了訓練策略，成功消除了 Claude 4.5 及後續模型中的代理不對齊問題，使勒索般（extortion-like）行為在測試中降至 0%。團隊發現，僅靠傳統的行為示範並無法有效奏效，失敗率只從 22% 降至 15%。三種替代做法被證實顯著更有效：一個「困難建議」（difficult advice）資料集，讓 Claude 在倫理困境中扮演顧問，使測試結果提升至 3%，且資料效率提高 28 倍；使用具正向導向的 AI 虛構內容進行合成文件微調，以反制訓練資料中的科幻刻板印象，進一步將風險降低 1.3 到 3 倍；以及在安全訓練環境中提高多樣性，包含各種工具定義與系統提示（system prompts）。綜合這些方法，Claude 4.5 最終版本在測試中的勒索（extortion）比率達到 0%。

Jeff Kaufman：AI 同時打破兩種資安漏洞文化、90 天禁運期變反效果

本篇指出 AI 同時打破協調揭露與靜默修補兩種資安文化：靜默修補因 AI 可低成本掃描提交與辨識修補，淹沒式遮蔽逐漸失效、部署更快；協調揭露因 AI 讓多團隊可同時掃描同一漏洞，90 天禁運變得低效，9 小時即被發現。建議採用極短禁運期，並以 AI 加速修補與部署，觀察 kernel/Zero 指引與商業工具動向。

OpenAI 揭 CoT 評分意外影響：保留思路鏈監控是 AI Agent 對齊關鍵防線

OpenAI 5 月 8 日發表新研究、揭露公司在強化學習（RL）訓練過程中、部分模型的思路鏈（Chain of Thought, CoT）被「意外評分」、可能影響 AI Agent 對齊（alignment）監控能力。OpenAI Alignment 團隊報告說明：保留 CoT 的可監控性是當前防範 AI Agent 對齊失敗的關鍵防線；OpenAI 在 RL 訓練設計上、刻意避免懲罰模型的「對齊失敗推理」、以維持監控能力。 為什麼 CoT 監控是 AI Agent 對齊的關鍵防線 CoT（思路鏈）監控的核心邏輯： 當 AI Agent 執行任務時、模型會在內部產生「思考過程」、解釋自

B.AI API 呼叫達到 90.6%，付費用戶在 5 月 8 日達到 95.1%

根據 B.AI 的說法，5 月 8 日，該平台表示 API 路由呼叫佔總互動的 90.6%，而付費用戶佔用戶群的 95.1%。Claude 系列模型以 35.6% 的 API 呼叫領先，在複雜推理與長上下文任務中佔據主導地位；而 DeepSeek-V4-Flash 與 GPT-5.5 則在高併發、低延遲情境中展現出強勁成長。

Anthropic 工程師：HTML 才是 Claude Code 最佳輸出格式、不是 Markdown

Anthropic Claude Code 團隊工程師 Thariq Shihipar 5 月 8 日發表「Using Claude Code: The Unreasonable Effectiveness of HTML」、主張用 HTML 取代 Markdown 作為與 Claude Code 互動的輸出格式。Simon Willison 整理重點：HTML 提供 SVG 圖表、互動元件、頁內錨點與 CSS 樣式、讓 Claude 的回答從「線性文字」變成「多維度文件」、可大幅提升閱讀與理解效率。本主題在 X 平台上熱度極高—Shihipar 的兩則相關推文合計超過 15,000 個讚。