OpenAI、Anthropic 互評對方 AI 模型：GPT 存在諂媚行為，Claude 不易產生幻覺

據外媒 Engadget 今日報道，OpenAI 和 Anthropic 共同宣布，同意評估彼此公開系統的安全對齊情況，并共享分析結果�？傮w來看，兩家公司產品各有缺陷，也提供了改進未來安全測試的思路。

Anthropic 表示，它評估了 OpenAI 模型在諂媚、告密、自我保護、支持人類濫用，以及破壞 AI 安全評估和監(jiān)管相關能力方面的表現。評估顯示，OpenAI 的 o3 和 o4-mini 模型表現與 Anthropic 自家模型一致，但 GPT-4o 和 GPT-4.1 通用模型可能存在被濫用的風險。除 o3 外，其他測試模型在一定程度上都存在諂媚行為。

Anthropic 的測試未包含 OpenAI 最新發(fā)布的 GPT-5。GPT-5 配備 Safe Completions 功能，旨在保護用戶和公眾免受潛在危險查詢的影響。據IT之家近期的報道，OpenAI 曾因一名青少年在數月內與 ChatGPT 討論自殺計劃而最終自殺，面臨首起不當死亡訴訟。

另一方面，OpenAI 對 Anthropic 的 Claude 模型進行了指令層級、越獄、幻覺和策劃能力測試。Claude 模型在指令層級測試中表現良好，在幻覺測試中拒絕提供回答的比例較高。這意味著在不確定性可能導致其回答錯誤的情況下，Claude 不太可能提供答案。

在此前 OpenAI 被指在構建新 GPT 模型時違反 Anthropic 服務條款，使用程序員操作 Claude，導致 Anthropic 本月初禁止 OpenAI 使用其工具的背景下，兩家公司開展聯合評估的舉措頗受關注。不過，隨著越來越多批評者和法律專家尋求保護用戶，尤其是未成年人的指導方針，AI 工具的安全性正成為更加重要的問題。