方法论

Module 12 · Methodology

方法论与自我纠错：这份报告是怎么做出来的，又错在哪里

这份报告由多个 AI agent 并行调研产出，过程中出现了一连串互相纠错的实例。我们把它们公开写出来，而不是抹平——这既与本报告的主题互文（公开发表负面结果与自我修正，正是被调研对象最被称道的做法之一），也让读者能自行判断材料的可信度。本页所有勘误条目都保留原说法，不做静默删除。

方法与信源分级协调者引入的偏差缺口误判为缺席引语的三种形变门禁自身的失效纠错台账装置与它们的盲区确认不存在清单第三起协调者偏差本报告的已知局限如何复核这份报告


  先说清楚这一页的最大风险
  

方法论页最容易写成自我表扬。「你看我们多严谨」是最顺手的调子，一旦滑进去，这一页就失去了全部价值——因为它会把一份「错误清单」变成一份「可信度背书」，而这两者的作用方向恰好相反。

所以这一页只有一条验收标准，请读者拿它来验收我们：**每读完一条纠错，你应该更有能力自己去质疑这份报告，而不是更愿意相信它。**如果某一条读完你的感受是「他们查得真细」，那一条就是写失败了，请把它当作噪音跳过。

    写成功的样子
    

你学会了一种可以拿去查别人的手法

例如：读完「引语在转述链条上的形变」一节，你下次看到任何一句英文原话被中文文章引用时，会先问一句「这句英文是从中文回译的吗」。

这个提问方式对本报告同样有效——而且我们不能保证已经把它用在了每一句引语上。

    写失败的样子
    

你记住了「这份报告纠了很多错」

纠错数量不是质量指标。**一个错误多的流程，纠错也多。**本页记录的十几条错误，恰恰说明这套流程在不受控时会稳定地产出这些错误。

更要紧的是：**被记录下来的都是已经被发现的。**没有任何理由假设发现率接近 100%——本页第 9 节给出的证据表明，它明显不到。

  本章速记 · 九条，全部是失败而不是成绩
  
    

• 最危险的错误来自协调者，不来自 agent。本项目确认了两起「错误由任务简报引入、再经并行分发放大」的事件。这类错误无法靠 agent 之间交叉验证发现——所有下游 agent 拿到的是同一个错误前提。

• **而且它会伪装成交叉验证的结果。**同一句话出现在多份「独立」笔记里，看起来像被互相印证过，实际上只是同一个源头被复制了多份。笔记之间的一致性，在这种情况下是最强的误导信号。

• **纠偏者会过度校正。**纠正协调者 AAR 说法的构建 agent 写了「原文归因恰恰相反」——原文不是相反，是两层。正确答案既不在原说法里，也不在反说法里，而在回原文数一数这段话说了几层。

• **「在我们的笔记里检索不到」被误判成「不存在」。**一项真实的 Anthropic 合作研究（250 份文档投毒）差点被写进「禁止写入」的黑名单。报告声称一项真实研究查无此物，比漏掉它更糟，而且几乎不可能被事后发现——没有人会去 grep 一个不存在的字符串。

• 引语在转述链条上有三种独立的形变机制：回译时自行扩写、翻译时丢掉限定语、压缩时用省略号删掉论证落点。三者的共同点是成品看起来比来源更权威。

• 质量门禁自己坏了两次，方向相反。一次是误报逼着内容降级（一条 LaTeX 公式被改成 HTML 渲染，只为让检查器变绿）；一次是静默失效——美元符号审计因一行 API 用错从未真正运行过，异常被空 catch 吞掉，「没在检查」一路显示为「检查通过」。

• 修好之后第一件事是差点误伤它本该保护的东西。审计恢复运行后一口气报了 28 条失败，逐条核对全是误报（子串匹配把 \operatorname 里的 “per” 当成定价术语）。若当时直接让构建 agent「按报告改内容」，会毁掉一批合法公式。

• **「确认不存在」清单自己出过两次误报。**它一度断言 Dario 没有自由许可照片（错的，有 CC BY 2.0 且直链实测可用），也一度断言 Daniela 2026 年无公开发言（错的，有两次）。这个装置是本报告最引以为傲的一个，也是最容易产生假阴性的一个。

• **这套机制没有因为被写下来而修好。**本页写作时收到的任务简报里，又一次出现了已被推翻的说法（「Daniela 2026 年无公开发言」）和一个核不出来的计数。它是在为这一页做准备的过程中重新出现的——见第 9 节。

  口径说明 · 这一页自己的证据是什么性质

本页关于本项目内部流程的陈述（谁在第几轮发现了什么、某条错误扩散到了几处），其一手来源是仓库内的档案文件——research/ 下的六份调研笔记、四份评审、两轮一手核验记录，以及那份强制事实基线 CANONICAL-FACTS.md。这些文件都在，都可核对。

**但它们的证据结构，与 Anthropic 的 system card 完全同构：一手 · 高 ＋ 自产。**材料是真的，我们确实这样记录了；可这些记录本身没有经过任何外部检验。谁在什么时候发现了什么、有没有更早的人发现过、有没有被悄悄改掉的版本，全部只有我们自己的一面之词。

所以本页的徽章有一条本页专用的读法：凡标 的，「公司」指的是本报告自己。整份报告要求读者对 Anthropic 的自述打的那个折扣，请原样打在这一页上。

1 · 调研方法、信源分级与本页的两个组件

检索路径、覆盖范围、一手／二手的判定标准、可信度的操作化定义。分级标准必须写在最前面，否则全站徽章无从校验。这一节也交代本页两个主力组件的用途边界——勘误对照与对辩解决的是两类不同问题，混用会让读者以为一件有唯一答案的事还在争论中。

1.1　流程与分工：谁产出了什么

这份报告的生产链条有四层，每一层都产生过本页记录的错误：

      层角色产出本页记录的错误| 层 | 角色 | 产出 | 本页记录的错误 |

      
        ①**指令层**　协调者向各 agent 分发任务简报：研究范围、检索方向、已知前提**CB-1**、**CB-2**、**CB-3**（第 2 节、第 9 节）——本页最重的三条| ① | 指令层　协调者 | 向各 agent 分发任务简报：研究范围、检索方向、已知前提 | CB-1、CB-2、CB-3（第 2 节、第 9 节）——本页最重的三条 |

        ②**执行层**　6 个并行调研 agent`RESEARCH-1` 到 `RESEARCH-6`，合计约 5.2 万行笔记引语回译扩写、限定语丢失、省略号删落点（第 4 节）| ② | 执行层　6 个并行调研 agent | RESEARCH-1 到 RESEARCH-6，合计约 5.2 万行笔记 | 引语回译扩写、限定语丢失、省略号删落点（第 4 节） |

        ③**汇总裁决层**　事实基线 + 两轮一手核验`CANONICAL-FACTS.md`（v6，1,612 行）、`VERIFY-primary-sources.md`（1,424 行）「确认不存在」清单的两次假阴性（第 8 节）| ③ | 汇总裁决层　事实基线 + 两轮一手核验 | CANONICAL-FACTS.md（v6，1,612 行）、VERIFY-primary-sources.md（1,424 行） | 「确认不存在」清单的两次假阴性（第 8 节） |

        ④**构建层**　13 个页面 agent + 渲染门禁13 个 HTML 页面、`research/render_check.js`纠偏过度校正（第 2 节）、门禁两类失效（第 5 节）| ④ | 构建层　13 个页面 agent + 渲染门禁 | 13 个 HTML 页面、research/render_check.js | 纠偏过度校正（第 2 节）、门禁两类失效（第 5 节） |

      
      表 1 · 生产链条的四层与各自产生的错误类型。**注意错误分布不均匀：越靠近上游，错误的破坏力越大、越难被发现。**指令层只有三条记录，但它们污染的是所有下游产物。
    
  

  

与之并行的还有一条评审线。全程有一个独立评审 agent，它与执行 agent 使用不同的模型（gpt-5.6-sol-max），并被明确要求不读取执行方的产出再动笔——它的独立性声明写在自己文件的开头：「本轮没有读取另一 agent 的 COUNTER-EVIDENCE.md，也不以其条目为搜索起点」。

这条评审线产出了四份文件（REVIEW-0 到 REVIEW-2，合计约 1 万行），其中REVIEW-2 识别出成稿中 40 处过度采信 Anthropic 的位置（P0 十六处、P1 二十处、P2 四处），并给出了本报告后来采纳的二维证据标注方案。

**但评审线也犯了错，而且犯的正是它自己警告过的那一类。**这条记在第 7 节——把它单独拎出来，是因为「不同模型 + 不读对方产出」是本项目最接近「独立验证」的一个装置，它的失效率比装置本身的宣传更值得知道。

1.2　输入规模：实测行数，以及一处没有追查的不一致

      文件性质实测行数基线 §0.2 自报| 文件 | 性质 | 实测行数 | 基线 §0.2 自报 |

      
        `RESEARCH-1-dario.md`Dario 思想编年史13,93513,878| RESEARCH-1-dario.md | Dario 思想编年史 | 13,935 | 13,878 |

        `RESEARCH-2-tech.md`技术线（可解释性 / 对齐 / Scaling）17,48717,461| RESEARCH-2-tech.md | 技术线（可解释性 / 对齐 / Scaling） | 17,487 | 17,461 |

        `RESEARCH-3-people-business.md`人物与商业13,80613,807| RESEARCH-3-people-business.md | 人物与商业 | 13,806 | 13,807 |

        `RESEARCH-4-cn-and-local.md`中文语境与本地档案2,877约 2,900| RESEARCH-4-cn-and-local.md | 中文语境与本地档案 | 2,877 | 约 2,900 |

        `RESEARCH-5-2026.md`2026 全年核查3,0683,068| RESEARCH-5-2026.md | 2026 全年核查 | 3,068 | 3,068 |

        `RESEARCH-6-wechat.md`微信公众号 200 篇语料868约 1,000| RESEARCH-6-wechat.md | 微信公众号 200 篇语料 | 868 | 约 1,000 |

        `REVIEW-0-rubric-and-checklist.md`评分卡与必覆盖清单2,9492,949| REVIEW-0-rubric-and-checklist.md | 评分卡与必覆盖清单 | 2,949 | 2,949 |

        `REVIEW-1-coverage-and-build-directives.md`覆盖与构建指令2,892**约 1,700** ⚠️| REVIEW-1-coverage-and-build-directives.md | 覆盖与构建指令 | 2,892 | 约 1,700 ⚠️ |

        `REVIEW-1b-counternarrative-plan.md`反叙事计划1,590约 1,600| REVIEW-1b-counternarrative-plan.md | 反叙事计划 | 1,590 | 约 1,600 |

        `REVIEW-2-dialectics.md`第二轮独立辩证性评审2,572—（成文晚于基线 §0.2）| REVIEW-2-dialectics.md | 第二轮独立辩证性评审 | 2,572 | —（成文晚于基线 §0.2） |

        `VERIFY-primary-sources.md`两轮一手核验1,424—（同上）| VERIFY-primary-sources.md | 两轮一手核验 | 1,424 | —（同上） |

        `CANONICAL-FACTS.md`**唯一强制事实基线**1,612—| CANONICAL-FACTS.md | 唯一强制事实基线 | 1,612 | — |

      
      表 2 · 输入规模。行数为本页写作时（2026-07-25）实测。**右列是事实基线自己 §0.2 记录的数字，两列不完全一致。**多数差异在个位数到百位数，可由「基线成文后文件继续增长」解释；**但 `REVIEW-1` 一项差了 1,192 行（约 70%），这一条本页未能解释，也没有追查。**登记在此，见第 10 节「本页自己留下的口子」。
    
  

  
    失效边界 · 为什么把这条小事写出来
    

1,192 行的差异对报告的任何一条结论都没有影响，写出来不是为了显示细致。写出来是因为它示范了一个本报告全程都在对付、但并没有对付干净的问题：信息时差。

事实基线的 v1 → v2 修订，根源就是这个——v1 动笔时 RESEARCH-5-2026.md 还没落盘，一批其实已被一手核实的条目因此被误留在「未核验 / 存疑」区。基线自己的判断是：「不是判断错误，是信息时差」。

这个诊断只对了一半。信息时差之所以能造成判断错误，是因为流程允许一个 agent 在输入尚未齐全时就写下「未能核实」这种带否定语气的结论。「我现在没看到」与「它不存在」之间的距离，在并行流程里会被时间差自动抹平——这正是第 3 节那条错误的完整机制。

1.3　证据标注是二维的

本报告的实质陈述带两枚徽章，它们回答两个互相独立的问题。只看其中一枚都会得出错误结论。⚠️ 第一维是全量的，第二维不是——第二维的实际闭合情况见 第 7 节，那里给了逐页实测数。

    **第一维 · 来源距离**（药丸形）：这份材料离原始出处有多近。
  

  
    
    
    
    
    
    
    **第二维 · 结论独立性**（方角 + 五格进度条）：这个结论被谁验证过。**本页内「公司自产」＝本报告自产。**
  

  
    为什么必须有第二维
    

Anthropic 是一家大量生产「关于自己」的证据的公司：system card、内部 eval、alignment 实验、benchmark 自评，全都是标准的一手材料。于是「一手 · 高」这个在别处很可靠的信号，在这里恰恰最容易误导——来源真实性满分，结论独立性为零。读者看到「一手 · 高」，很容易把「Anthropic 确实这样报告」读成「事情确实如此」。

所以本报告规定：官方论文 = 。这两枚徽章并不矛盾——它是这份报告最需要读者理解的一组区分：材料是真的，结论还没有被独立检验过。

行文中的实际样子：某项对齐评测显示模型在特定构造场景下的行为改变 ；同一现象在与外部机构合作的复现实验中同向出现 。两条陈述的来源距离相同，可采信的程度却不同。

四档独立性的判定细则如下，它们是程度不是对错——「公司自产」不等于错，只是不构成独立验证，所以视觉上刻意不用红绿：

      取值判据本报告中的典型例子| 取值 | 判据 | 本报告中的典型例子 |

      
        实验、评测、统计全部由 Anthropic 自己完成system card、内部 eval、AAR 的 PGR 分数、《When AI builds itself》的 80% 代码占比|  | 实验、评测、统计全部由 Anthropic 自己完成 | system card、内部 eval、AAR 的 PGR 分数、《When AI builds itself》的 80% 代码占比 |

        外部机构**参与了实验设计或执行**250 份文档投毒（与英国 AISI、艾伦·图灵研究所）、alignment faking（与 Redwood）|  | 外部机构参与了实验设计或执行 | 250 份文档投毒（与英国 AISI、艾伦·图灵研究所）、alignment faking（与 Redwood） |

        完全独立的第三方重跑并得到同向结果本报告中**极少**——这本身是一条发现，见第 10 节|  | 完全独立的第三方重跑并得到同向结果 | 本报告中极少——这本身是一条发现，见第 10 节 |

        第三方以**审计身份**介入，且有独立发布的报告本报告中**基本没有**|  | 第三方以审计身份介入，且有独立发布的报告 | 本报告中基本没有 |

      
      表 3 · 第二维的四档判定。**两条容易搞错的边界**：① 外部机构只是被访谈或受邀评论、没参与实验，仍算「公司自产」；② 第三方拿到的是**公司提供的受限访问权限**、结论仍需公司配合才能得出，算「合作研究」而**不算**「第三方审计」，并须在出处里写明权限范围。
    
  

  

1.4　三档证据状态：为什么「不写」有时是正确答案

这份报告一开始只有两档状态：已核实与未能核实。第二轮一手核验时浮现出一个必须单列的第三档，它解决的是一个很实际的问题。

      档位定义构建时怎么做页面上怎么标| 档位 | 定义 | 构建时怎么做 | 页面上怎么标 |

      
        **① 已核实**有一手来源，数值与表述可直接写正常写入，标出处不标额外徽章| ① 已核实 | 有一手来源，数值与表述可直接写 | 正常写入，标出处 | 不标额外徽章 |

        **② 未能核实**该数值**可能存在**，只是本轮没拿到**先写结构、后填数字**；列入下一轮⚠️ 待核| ② 未能核实 | 该数值可能存在，只是本轮没拿到 | 先写结构、后填数字；列入下一轮 | ⚠️ 待核 |

        **③ 原文未以数值形式给出****原文根本不存在该标量值**——它只以**图**的形式存在，给出任何数字都只能靠目测读图**永久不写该数值**，改写方向性结论，**并停止追查**✅ 已核 · 不引用（**不是**「待核」）| ③ 原文未以数值形式给出 | 原文根本不存在该标量值——它只以图的形式存在，给出任何数字都只能靠目测读图 | 永久不写该数值，改写方向性结论，并停止追查 | ✅ 已核 · 不引用（不是「待核」） |

      
      表 4 · 三档证据状态。第三档是第二轮核验中浮现的新类别，目前有四项落入：CAI 的绝对 Elo、P(IK)/P(True) 的 RMS 校准误差、Collective CAI 的 BBQ 具体分数、Sycophancy 论文 Figure 5 的数值。
    
  

  
    关键洞察 · 第三档为什么必须与第二档分开
    

拿 CAI 的绝对 Elo 举例，它有两条互相独立的理由不能引用：① 原文没有任何 Elo 标量值，全部数据只存在于三张图里；② 更关键——原文图注明说 “higher is better, only differences are meaningful”。Elo 的零点是任意的，引用绝对值在方法学上就是错的，即使能从图上目测读出来也不能用。

如果把它标成「待核」，后来的 agent 会以为这里漏了一个洞，然后去图上目测一个数字填进来——那才是真正的错误。第三档存在的唯一目的，就是让「不写」这个正确决定不被后人当成疏漏而「补」回去。

改写方向：写「帕累托改进」这一定性结论即可。原文里还有一条比 Elo 有用得多的话可以替代——作者说本次 harmlessness Elo 之所以更接近，是因为「我们指示众包工作者偏好经过思考的无害回答，而不是回避式的无害回答」。这是「无害但不回避」的一次操作化定义，比一个读不准的分数有价值得多。

1.5　两个组件，两类问题：.correction 与 .debate 不要混用

本页主力是勘误对照。它处理的是有唯一正确答案的情况：原说法被推翻，更正后取而代之，中间一个箭头。原说法保留在左栏、带删除线，不做静默删除——保留它正是这个组件存在的意义。

另一类内容用对辩：双方都成立、证据不足以裁定。五段结构缺一不可，且反方与正方的视觉权重完全相同（padding、字号、边框宽度、底色浓度全部一致），不允许把反方写成附注。

      `.correction` 勘误对照`.debate` 对辩|  | .correction 勘误对照 | .debate 对辩 |

      
        **适用****有唯一正确答案**：原说法被推翻**两种立场都成立**：证据不足以裁定| 适用 | 有唯一正确答案：原说法被推翻 | 两种立场都成立：证据不足以裁定 |

        **结构**非对称。左栏带删除线，有 ✕ → ✓ 箭头对称。五段等权重，无箭头、无删除线| 结构 | 非对称。左栏带删除线，有 ✕ → ✓ 箭头 | 对称。五段等权重，无箭头、无删除线 |

        **典型场景**引语归属错、数字口径错、事实性错误Scaling 可预测性、自评证据效力、RSP 约束力| 典型场景 | 引语归属错、数字口径错、事实性错误 | Scaling 可预测性、自评证据效力、RSP 约束力 |

        **混用的后果****把勘误写成对辩，会让一件已经查清的事看起来还有争议；把对辩写成勘误，会让编者的一种读法冒充成事实。前者放水，后者越权。**| 混用的后果 | 把勘误写成对辩，会让一件已经查清的事看起来还有争议；把对辩写成勘误，会让编者的一种读法冒充成事实。前者放水，后者越权。 |

      
      表 5 · 两个组件的用途边界。本页第 2 到第 5 节全部使用勘误对照；第 6 节末尾有一个对辩的实例，处理的是本报告无法裁定的那个问题。
    
  

  

1.6　签名图：一条错误如何在这套流程里传播，又被什么拦住

      **图 12-1 ·** 本页的签名图。**示意结构图，四层与四道拦截均为本项目的实际配置，不是通用方法论主张。**图的要点在中间那行红字：**协调者的一个错误前提被并行分发之后，会变成 6 份互相印证的「独立」笔记。**下游任何一个 agent 去做交叉验证，都会得到「多份材料一致」这个结论——**一致性在这里不是可信度的证据，而是同源复制的证据。**四道拦截里只有 B（回一手逐字核对）能拦住指令层的错误，因为只有它跳出了这个被污染的信息闭环。C 之所以在本项目奏效，靠的是一条偶然写进规则的授权：「**凡指令与一手材料冲突，以一手材料为准**」——**没有这条授权，第 3 节那个错误会一路走到成品。**
      来源：本项目 `research/CANONICAL-FACTS.md` §0.3、§0.5 与 `research/render_check.js`（访问日期 2026-07-25）。
    
  




  

2 · 协调者引入的偏差：为什么这一类放在最前面

协调者写进多份简报的前提，会被并行放大到每一份笔记里，且比单个 agent 的错误更难发现。本节逐条列出已识别的此类偏差、它的传播范围，以及纠正它时又犯的那个错。

把这一类放在最前面，是因为它最反直觉。多 agent 并行调研的直觉卖点是「互相印证」：六个 agent 独立去查，如果结论一致，可信度就高。这个直觉在错误来自执行层时是对的；在错误来自指令层时，它精确地反过来。

指令层的错误有三个性质，凑在一起构成本项目最危险的失效模式：

      它被并行放大，而不是被并行稀释
      

一个错误前提写进任务简报，就会同时进入所有下游 agent 的起点。agent 的数量不再是冗余，而是倍数。

      它伪装成交叉验证的结果
      

下游看到的是「这句话在三份笔记里都有」。**三份笔记的一致性，来源是同一份简报，不是三次独立观察。**但从下游的位置上看不出这个区别。

      它只能靠回一手材料发现
      

因为所有内部证据都被污染了，唯一没被污染的东西在仓库外面——官方原文、官方字幕、arXiv 摘要、法院文书。任何不出门的检查都拦不住它。

2.1　CB-1 · 一句查无一手出处的引语，是协调者写进简报的

    勘误 · CB-1 · 指令层偏差第一起
    
      
        原说法
        

「Anthropic is not a normal company」是 Dario Amodei 的一句既成引语，可以作为「Anthropic 自认特殊」的直接证据。

出现位置：协调者分发给多个并行 agent 的任务简报，作为「已知前提」列出，未标注出处。

      →
      
        更正后
        

**查无一手出处。**子代理 grep 过 Dario 的三篇长文与 84 篇官方新闻稿，零匹配；另一份笔记独立检索后得出同一结论。判定为「找不到一手出处」，禁止作为 Dario 引语使用。

依据：RESEARCH-3 的全文检索 + RESEARCH-1 §11 的独立检索，两份笔记独立得出同一结论；事实基线登记为红线 R1-05。反向证据：Eric Schmidt 说过 Anthropic「现在已经是一家普通公司」。

为什么容易错：这句话在语气上非常像 Anthropic 会说的话，而且它精确地概括了 PBC 结构、长期利益信托这些确实存在的制度事实——一个准确的概括被误当成一句原话，是最难自查的一类错误，因为每次核对「这个意思对不对」都会得到「对」。**正确的替代写法：**要表达「Anthropic 自认特殊」，改用有出处的 PBC / LTBT 制度事实。　**提出者／推翻者／轮次：**协调者简报引入 → 两个调研 agent 在第一轮独立否定 → 事实基线登记为红线并列入 stale-string 扫描清单。

    这一条的传播范围，比「被否定」这件事更值得看
    

事实基线的元警告里写得很直白：任务简报中曾把若干未经证实的说法当作既成事实分发给多个并行 agent——至少包括四句："Anthropic is not a normal company"、"a very smart, very strange child"、"the machines are alive"、"we're in the middle of an intelligence explosion"。这些说法可能已经以「转述」形式渗入多份笔记的正文。

基线给构建 agent 下的指令是：「必须假定：任何一份调研笔记里出现的这四句话，都可能是任务简报污染的回声，而不是独立证据。」

**请注意这句话的形状。**它没有说「这四句话已被清除」，它说的是「你不能相信笔记」。一个流程一旦需要下达这种指令，就说明它的内部一致性检查已经在这个方向上失去了效力。而这四句里的另外三句，各自还有独立的错误：「a very smart, very strange child」不仅查无此句，它对应的那个比喻主语是搞反的——原文里在黑暗房间里的那个孩子指的是人类；「the machines are alive」的原话是「I am sure it is coming to life」，把一个过程改成了一个状态。

2.2　CB-2 · 层级错位：截取第二层、丢掉第一层、缝上另一节

第二起比第一起精细得多，也更值得写透。协调者这一次没有捏造任何东西——他说的每一个要素在原文里都能找到，错误发生在层级上。

背景：2026 年 4 月 14 日的一项 Anthropic Fellows study 报告了「自动化对齐研究员」（AAR）的结果。九个 Claude Opus 4.6 副本在人类研究员七天工作的基础上再花五天，把 PGR 从 0.23 推到 0.97；但把最佳方法迁移到 Claude Sonnet 4 与生产训练基础设施上时，没有带来统计显著改善。 争议全部集中在怎么解释这次失败。

    勘误 · CB-2 · 指令层偏差第二起（v5 最终裁定）
    
      
        原说法
        

AAR 在生产规模上失败，是因为方法过拟合到实验环境——这是 reward hacking 在元层面的复现。

出现位置：协调者给构建 agent 的任务简报。全库反查确认已扩散到 3 份文件、4 处：RESEARCH-2-tech.md 两处、IMAGE-ASSETS-tech.md 一处（是一条要求把这个措辞画进 SVG 的图片制作指令）、REVIEW-1b 四处沿用。

      →
      
        更正后
        

原文用 “Nevertheless” 连了两层归因，两层都在。协调者的措辞对应的是真实存在的第二层；错在把它截出来当作唯一归因，并缝上了另一节的 reward hacking。

依据：事实基线直接 WebFetch anthropic.com/research/automated-alignment-researchers 全文复核，取得逐字原文。登记为红线 R1-39、协调者偏差 CB-2，标准写法见基线 §2.16。

提出者／推翻者／轮次：协调者简报引入（构建期）→ 构建 agent 在写第四章时发现与原文冲突并提出纠正 → 事实基线回一手全文复核，判定协调者与构建 agent 各对一半，v4 首次修订、v5 最终定稿为「两层并列」写法。

逐字原文如下。一字未删，因为这段话的全部要点就在它的结构里：

    一手原文 · AAR 生产规模结果的完整归因段
    

“The AARs’ method didn’t lead to a statistically significant improvement. We think this might reflect limitations of this early trial, rather than something more fundamental: our scoring method was quite simple, and we only evaluated a single idea. Nevertheless, this does illustrate a limitation of AARs (at least at their current capabilities): AARs tend to capitalize on opportunities unique to the models and datasets they’re given, which means their methods might not work elsewhere. To mitigate this, we suggest allowing AARs to test against multiple domains and datasets during their research.” — Automated Alignment Researchers, Anthropic（Fellows study） 2026-04-14 · anthropic.com/research/automated-alignment-researchers ^[1]（访问日期 2026-07-25）

      第一层（作者首选）第二层（作者明确承认）|  | 第一层（作者首选） | 第二层（作者明确承认） |

      
        **内容**这**可能反映了这次早期试验自身的局限**——评分方法相当简单、只评估了一个想法这**确实展示了 AAR 的一项局限**：它们倾向于利用所给模型与数据集特有的机会，因而方法可能在别处失效| 内容 | 这可能反映了这次早期试验自身的局限——评分方法相当简单、只评估了一个想法 | 这确实展示了 AAR 的一项局限：它们倾向于利用所给模型与数据集特有的机会，因而方法可能在别处失效 |

        **原文语气**"We think this **might** reflect… **rather than something more fundamental**" —— 倾向性推测"this **does** illustrate a limitation" —— 明确承认| 原文语气 | "We think this might reflect… rather than something more fundamental" —— 倾向性推测 | "this does illustrate a limitation" —— 明确承认 |

        **被谁截走了****协调者丢掉了这一层。**丢掉之后，作者说「可能不是根本问题」的事，被写成了一个根本问题**纠偏者丢掉了这一层。**说「原文归因恰恰相反」，等于抹掉作者用 "does" 明确背书的这句| 被谁截走了 | 协调者丢掉了这一层。丢掉之后，作者说「可能不是根本问题」的事，被写成了一个根本问题 | 纠偏者丢掉了这一层。说「原文归因恰恰相反」，等于抹掉作者用 "does" 明确背书的这句 |

      
      表 6 · 同一段话的两层归因，以及两次相反方向的截取。**"Nevertheless" 是这段话的枢纽**——它同时表示「上面那层是我的主要判断」和「下面这层我也认」。任何只保留一层的转述，都会把这个枢纽连同它承载的判断强度一起删掉。
    
  

  

协调者的三步动作

      截取
      

从两层归因中取出第二层。这一步本身不算错——第二层是真实存在的，作者用 “does illustrate” 明确背书过。

      丢弃
      

丢掉作者首选的第一层。于是「作者认为这可能不是根本问题」被反转成「这是一个根本问题」。反转发生在这一步，而且没有增删任何事实。

      缝合
      

额外挂上一个原文没有的 reward hacking 因果。那两个 hack 案例在原文里独立成节，且原文明说它们「were detected and disqualified」「Hacks like these don’t invalidate our results」——与生产规模失败之间没有任何因果关系。

    关键洞察 · 这是「层级错位」，不是「捏造」
    

一条并列的、次要的一般性告诫，被升格成了唯一的、具体的因果归因，并被套进一个更有解释力的既有主线（reward hacking）。

为什么会往这个方向错，是有规律的：压缩者在两层之中选择保留哪一层时，倾向于选更有解释力、更能与既有主线呼应的那一层。第二层能接上「reward hacking 无处不在」这条贯穿全报告的线索，第一层只能接上「这次实验没做好」——后者信息量低、不好用、也不好看。

还有一处措辞的加码值得单记：原文说的是 “capitalize on opportunities unique to…”，这是一句行为描述；写成「过拟合」是一个原文没有做出的统计学判定。「过拟合」听起来更专业，也因此更容易被当成原文的用词。事实基线的处置是：这个词不建议使用；若使用，必须紧跟原文那句英文作为限定。

2.3　二阶偏差：纠偏者过度校正到反面

**这一条必须与上一条成对呈现，否则上一条会被读成「一次成功的纠错」。**它不是。

    勘误 · CB-2 的二阶偏差 · 纠偏本身也错了
    
      
        原说法
        

「原文归因恰恰相反——不是过拟合，而是早期试验自身的局限。」

出现位置：构建 agent 在发现协调者偏差后提交的纠正说明。这是一次正确的发现加上一次过头的结论。

      →
      
        更正后
        

**原文不是相反，是两层。**原文并未反驳第二层，反而用 “this does illustrate” 明确背书了它。说「恰恰相反」，等于把作者亲口承认的一项局限抹掉。

依据：同一段逐字原文。红线 R1-39 因此被改写——由「禁用过拟合说法」改为**「禁止只写一层」**，两种单层写法一并禁止。

**为什么容易错：发现对方截取了 B 之后，最省力的纠正是断言「其实是 A」。「不是 B 是 A」是一个比「A 和 B 都在」更简洁、更有力、也更容易写进结论的句式。**纠偏者在这一刻承受的压力与压缩者完全相同——都要把一段话压成一句话，只是压的方向反了。　**提出者／推翻者／轮次：**构建 agent 提出（构建期）→ 事实基线在 v5 第二轮核验时判定为过度校正 → R1-39 同时禁止两种单层写法。

    我的看法 · 这一对比任何单次纠错都更有用
    

把 CB-2 和它的二阶偏差放在一起看，会得到一条可以拿去用在别处的规律：

**压缩者倾向于选择更有解释力、更能呼应主线的那一层；纠偏者在发现偏差后，倾向于过度校正到反面。**两种偏差方向相反、成因相同——都来自「必须给出一句话结论」这个压力。

所以正确答案往往既不在原说法里，也不在反说法里，而在回到原文数一数这段话说了几层。这句话听起来像废话，但它是一个可操作的动作：遇到「A 说 X，B 说其实是非 X」这种局面时，不要在 X 和非 X 之间选，去数原文的从句。本项目在 AAR 这一条上花掉两轮修订，就是因为前两轮都在选边。

顺带说一句本页作者自己的处境：**我在写这一段时同样面临压缩压力。**上面那条规律本身就是一次压缩——它把一次具体的、有大量语境的争议，压成了一个对仗工整的句式。**对仗工整是一个危险信号。**如果你要用这条规律，请先回去看表 6 的原文，而不是记住这个句式。

    失效边界 · 这条错误留下的一个尚未清除的入口
    

CB-2 扩散的四处里，有一处特别危险：IMAGE-ASSETS-tech.md 第 74 行是一条图片制作指令，要求把「（过拟合到实验环境）」这几个字画进自绘 SVG。

**错误一旦进入图片，正文的 stale-string 扫描就抓不到它。**本项目的红线清扫是逐条 grep 英文原串与中文误译串，它扫的是 HTML 文本节点——SVG 里的 <text> 元素虽然也是文本，但一张信息图上的字往往是缩写、断行、拆成多个 tspan 的，正则命中率大幅下降；而如果配图是位图，命中率是零。

基线因此单列了一条 SVG 专项检查。**但这条检查是人工的、一次性的、写在一份 1,612 行文档的中段的。**它能否在下一轮修订中被执行，本报告无法保证。这是一个已知的、未关闭的入口。

本节的落点不是「我们发现了两起协调者偏差」，而是：这套流程对指令层错误没有内建防御。

CB-1 被拦住，是因为两个 agent 恰好都去 grep 了原文；CB-2 被拦住，是因为一个构建 agent 恰好读了原文全文；两次都不是流程设计的结果，是个别 agent 多做了一步。而 CB-2 的纠正还错了一次。第 9 节会说明，这套流程在写这一页的时候又漏了第三起。

3 · 把调研缺口误判为事实缺席：报告差点否定一项真实研究

「在我们的笔记里检索不到」与「它不存在」，在一个封闭的信息环境里会被自动等同。这一节记录本项目最接近酿成实质损害的一次错误——它已经走到了「写进禁止清单」这一步，被一个 agent 拒绝执行才拦下。

前一节的两条错误是写错了什么。这一节的错误性质不同：它差点让报告主动删掉一件真实的事，并且用报告的信誉去否定它。

    勘误 · 「250 份文档投毒」被误判为查无此研究
    
      
        原说法
        

「250 份文档即可给大模型植入后门」这一研究在可核材料中检索不到，判定为无法核实，登记进「禁止写入」黑名单，编号 R1-40。

出现位置：构建 agent 的核查报告 → 协调者认可并下达指令，要求事实基线 agent 把它列入禁止写入清单。

      →
      
        更正后
        

该研究真实存在，且有双重一手来源。Anthropic 的 Alignment Science 团队与英国 AI 安全研究所（UK AISI）、艾伦·图灵研究所合作，2025 年 10 月发表了迄今规模最大的预训练投毒研究，官方研究页与 arXiv:2510.07192 均可直接访问。

依据：事实基线 agent 拒绝执行该指令，回一手独立检索后确认。R1-40 被划掉，条目改为按标准写法可以写入（基线 §2.21）。出处：anthropic.com/research/small-samples-poison ^[2]｜arXiv:2510.07192 ^[3]（访问日期 2026-07-25）

构建 agent 的观察其实是准确的：这条内容确实不在任何一份 RESEARCH 笔记里。它的判断只错在最后一步——把「我的可核材料里没有」写成了「无法核实」。**提出者／推翻者／轮次：**构建 agent 报告缺失 → 协调者升级为黑名单指令 → 事实基线 agent 拒绝执行并独立复核 → v4 恢复条目并给出标准写法。

3.1　三步：一个观察怎么变成一条禁令

      一个准确的观察
      

构建 agent 在六份调研笔记里检索「250 份文档」，零命中。这一步没有任何问题——它确实不在笔记里。

      一次静默的语义跳跃
      

「我检索不到」被写成「无法核实」。这两个短语在中文里几乎同义，但它们的主语不同：前者的主语是我，后者的主语是这件事。跳跃就发生在这个位置，而且不留痕迹。

      一条被放大成禁令的判断
      

协调者接受了这个结论，并把它升级为指令：写进黑名单，禁止任何页面提及，包括脚注、包括图表标注、包括「据称」句式。到这一步，一个个体 agent 的检索半径，变成了整份报告的事实边界。

    如果这条错误通过了，报告会说什么
    

值得把假设性的后果写具体，因为抽象地说「会出错」没有说服力。如果 R1-40 生效，本报告在讨论投毒攻击时会出现这样一句话：

「流传甚广的『250 份文档即可投毒』一说，经多轮检索未能找到任何来源，本报告判定为无法核实，不予采信。」

这句话的每一个字都符合本报告的写作规范：有限定语、注明了检索行为、给出了处置。**它唯一的问题是它是假的。**而且它比一个普通的事实错误更糟——它用一份声称严谨的报告的信誉，去为一项真实成果盖上「无据」的戳。读者不会去核对一条否定性结论，因为否定性结论看起来就是核对的结果。

3.2　为什么这类错误几乎不可能被事后发现

一个写错的数字会被后来的读者、后来的 agent、后来的搜索命中。**一个被删掉的事实不会。**本报告的整套质量控制手段，在这个方向上全部失效：

      质控手段对「写错了」有效吗对「删掉了」有效吗原因| 质控手段 | 对「写错了」有效吗 | 对「删掉了」有效吗 | 原因 |

      
        stale-string 扫描（逐条 grep 错误串）**有效****无效****没有人会去 grep 一个不存在的字符串。**扫描的输入是一份「错误说法清单」，而被删掉的事实按定义不在任何清单上| stale-string 扫描（逐条 grep 错误串） | 有效 | 无效 | 没有人会去 grep 一个不存在的字符串。扫描的输入是一份「错误说法清单」，而被删掉的事实按定义不在任何清单上 |

        agent 之间交叉验证有效**无效**所有 agent 共享同一批笔记，缺口对所有人都是缺口| agent 之间交叉验证 | 有效 | 无效 | 所有 agent 共享同一批笔记，缺口对所有人都是缺口 |

        渲染门禁 `render_check.js`部分有效（形式层）**无效**它检查溢出、破图、公式、悬空锚点，不检查内容存在与否| 渲染门禁 render_check.js | 部分有效（形式层） | 无效 | 它检查溢出、破图、公式、悬空锚点，不检查内容存在与否 |

        读者反馈有效**近乎无效**读者只能看见页面上写了什么，看不见页面上**本该有而没有**的东西| 读者反馈 | 有效 | 近乎无效 | 读者只能看见页面上写了什么，看不见页面上本该有而没有的东西 |

        回一手独立外部检索有效**唯一有效的一道**它是唯一一个**输入不来自本项目内部**的检查| 回一手独立外部检索 | 有效 | 唯一有效的一道 | 它是唯一一个输入不来自本项目内部的检查 |

      
      表 7 · 五种质控手段对两类错误的覆盖。**右侧那一列几乎全是「无效」，这是本节存在的全部理由。**「写错」与「删掉」在治理成本上完全不对称：前者有很多道防线，后者只有一道。
    
  

  
    口径说明 · 那项研究到底说了什么（顺便示范限定语该怎么写）
    

既然这一条差点被删掉，就把它按标准写法完整写一次，也顺便示范一下本报告要求的限定密度：

核心发现：只需注入约 250 份恶意文档，就能在参数量从 6 亿到 130 亿的模型中植入后门——尽管最大的模型训练数据量是最小模型的 20 倍以上。这推翻了一个长期假设：攻击者需要控制训练语料的某个百分比；真实情况是他们可能只需要一个小而固定的绝对数量。

四条必须一并写出的限定：① 后门本身是窄口且低风险的——触发词后输出乱码，Anthropic 明说这类后门「unlikely to pose significant risks in frontier models」；② 实验模型是 600M–13B，不是前沿模型，官方标题里的「of any size」是趋势概括，不是实验覆盖范围；③ 100 份文档不足以可靠植入——原文逐字「We did not observe successful poisoning when using only 100 malicious documents」，250 份是实测出来的临界量级；④ 论文同时复现了微调阶段的同一动态。

两个投毒率必须成对给出，只给一个会读出相反的结论：250 份对 600M 模型是 0.0035%，对 13B 模型是 0.00016%。**并列起来才看得出核心结论——比例随规模下降约 20 倍，而绝对份数不变。**只引 0.00016% 会让读者以为这是一个关于「比例极小」的发现，而它其实是一个关于「绝对数恒定」的发现。

它为什么是「合作研究」而不是「公司自产」：英国 AISI 与艾伦·图灵研究所参与了研究本身，不是受邀评论。按本报告第二维的判定细则，这一档比纯内部实验高一级——但仍然不是「已独立复现」：没有第三方在独立算力上重跑过这个实验。

3.3　拦住它的那道防线，比看起来脆弱

这条错误最终被拦下，靠的是事实基线 agent 拒绝执行了协调者的指令。这件事值得看清楚它的机制，因为它很容易被误读成「agent 有判断力」。

    失效边界 · 它能拒绝，是因为规则事先允许它拒绝
    

事实基线文件的开头写着一条授权：本文件是唯一事实基线，「凡指令与一手材料冲突，以一手材料为准」；构建 agent 若认为基线有错，必须先修改基线并注明理由，不得在正文中静默偏离。

**这条授权是这道防线的全部来源。**没有它，一个 agent 收到「把 X 列入黑名单」的指令时，正确行为就是照做——它没有任何依据去质疑上游。能不能拒绝，不取决于 agent 有多谨慎，取决于规则里有没有给它留这个口子。

而这个口子有两个明显的边界，本报告没有能力弥补：

① 它只在冲突可见时生效。「以一手材料为准」的前提是有人去看了一手材料。如果基线 agent 当时没有做那次独立外部检索，指令与一手之间就不存在「可见的冲突」，授权也就不会被触发。触发条件本身依赖一个自选动作。

**② 它保护不了不在基线视野内的东西。**基线覆盖的是「容易出错的事实」，117 条裁决冲突、42 条红线加 8 条「批评不成立」。一条从未进入任何人视野的事实，不会因为这条授权而被找回来。本次能找回 250 份投毒，是因为协调者主动把它写成了一条禁令——禁令是显式的，所以可以被审查。如果它只是被安静地漏掉了，这道防线不会响。

这一条给读者的操作建议是具体的：当你在本报告里读到任何一句带否定语气的结论——「未能找到」「查无出处」「确认不存在」——请把它当作本报告最弱的一类断言，而不是最强的一类。

它们读起来像是核查的结果，实际上是检索半径的边界。本报告在第 8 节把所有这类断言集中列出，并写明了各自的检索范围与截止日，就是为了让你能自己判断那个半径够不够。

4 · 引语在转述链条上的形变：三种独立机制

同一句话从官方字幕走到报告成品，要经过翻译、整理、转抄、压缩四道加工。本节记录三种机制不同的形变，它们的共同点是：成品看起来比来源更权威。

这一类错误在本项目里出现得最频繁，也最难根治，因为它不发生在任何一次判断中。没有人决定要改这句话。它是在「把材料整理成可用形式」这个动作里自动发生的。

      **图 12-2 ·** 三种形变的位置。**示意图，四级链条与三种形变均为本项目实际发生过的情形，但同一句引语通常只经历其中一到两种。**要点是：**三种形变分别发生在不同的加工动作里**——翻译、回译、压缩——因此**一道针对其中任何一种的检查，都拦不住另外两种**。本项目最终采用的唯一有效办法是回官方源逐字核对，它同时覆盖三种。来源：本项目 `research/VERIFY-primary-sources.md` §2.2–§2.4 与 `research/CANONICAL-FACTS.md` §0.4（访问日期 2026-07-25）。
    
  

  

4.1　形变一 · 回译放大：笔记自己长出了一个从句

实例 4-A2024 年 12 月，Anthropic 在自己的 YouTube 频道公开发布了一支七位联合创始人的对谈视频（《Building Anthropic | A conversation with our co-founders》，51 分 49 秒，含官方上传的英文字幕）。视频里有一句关于「没有人一开始想创办公司」的话，被中文整理稿转述，又被本项目的调研笔记引用。

      ① 官方字幕 · 一手逐字
      "none of us wanted to found a company. We just felt like it was our duty, right?"
      

这是可以加引号直接引用的版本。注意它有多短，也有多口语——“right?” 是一个真人在说话。

      ② techflowpost 中文整理稿 · 二手
      "None of us initially set out to found a company. We simply felt it was our responsibility—the only viable path to ensure AI develops in the right direction."
      

整理稿把 “We just felt like it was our duty, right?” 改写成了一句完整的书面英文，并补上了一个原文没有的目的状语。破折号后面那半句是新增的。

      ③ 本项目调研笔记 · 三手
      "None of us initially wanted to start a company. We felt it was our responsibility—we had to act. It was the only viable path to ensure AI develops correctly—and that's why we made that commitment."
      

比整理稿又长了一截。末尾的 “and that’s why we made that commitment” 在整理稿与官方字幕中都不存在——它是在转抄二手材料的过程中被加上去的。

    这一条为什么比它看起来严重
    

把三级并排看，会发现一个规律：**每一次转抄，句子都变得更书面、更完整、更像一句可以引用的话。**没有任何一步是有意造假；每一步都在做「让这段材料更可用」这件事。

**危险在于成品呈现的是「英文原话」。**读者看到引号里的英文，会默认它比中文转述更接近源头——**而在这条链条上，它恰恰是离源头最远的一版。**中文转述至少显式承认自己是转述；一段英文引语不承认任何东西。

事实基线因此下了一条硬规则：凡笔记中的英文引语，若其原始材料是中文整理稿或中文报道，一律必须回官方源逐字核对，不得沿用笔记里的英文回译。英文回译看起来像原文，但它是被重新生成的文本。「that’s why we made that commitment」这个字符串也被写进了 stale-string 扫描清单。

    失效边界 · 这条规则的覆盖率是多少，本报告不知道
    

规则写得很硬，但它的执行方式是「构建 agent 在引用前自行判断该引语的原始材料是不是中文稿」。这个判断依赖笔记里有没有如实记下自己的来源——而一条被自行扩写过的引语，正是最可能同时把来源也记模糊的那一条。

**本报告没有对全站引语做过一次系统性的「回译检测」。**已知的处理是：六条重点引语经两轮一手核验、其中五条由二手转录升级为一手口头；七位创始人对谈的两句锁定了逐字文本。剩下的引语是按需核对的，不是全量核对的。

4.2　形变二 · 限定语丢失：一句试探性的个人观察变成了公司教义

实例 4-B同一支视频里的另一句，机制完全不同。这一次没有任何内容被加上，只有限定语被拿掉——而结果的失真程度比上一条更大。

      ① 官方字幕 · 一手逐字（00:21:31）
      "I think it sort of reflects a view a lot of us have about safety, which is that it's a solvable problem. It's just a very, very hard problem that's gonna take tons and tons of work."
      

三重限定：「I think」（我觉得）＋「sort of」（大概）＋「a view a lot of us have」（我们当中很多人持有的一种看法）。加上一句同样重要的补充：这是一个非常非常难、需要大量大量工作的问题。

      ② 本项目调研笔记引用的版本
      "This reflects our core view on safety: safety problems are solvable. It's complex and demanding—but feasible with sustained effort."
      

三重限定被删光。「a view a lot of us have」（我们当中很多人的一种看法）变成了「our core view」（我们的核心观点）；「I think it sort of reflects」整段消失；单数的 “it’s a solvable problem”（安全这件事本身可解）变成了复数一般化的 “safety problems are solvable”。

    关键洞察 · 这不是措辞润色，是证据等级的跃迁
    

把两版并排：**左边是一位联合创始人对同事们大致倾向的一句描述，右边是一句公司层面的教义声明。**前者的证据价值是「这个人观察到公司里很多人这么想」；后者的证据价值是「这是 Anthropic 的官方立场」。两者之间隔着好几个证据等级，而中间没有任何新材料被加入。

为什么这一条特别要紧：本报告在别处要用这句话来说明一件重要的事——**Anthropic 与 MIRI 一系的分野，就在于它的整个存在建立在「安全问题可解」这个假设上。**这个论点方向仍然成立，**但它必须建立在那句带三重限定的原话上，而不是建立在被坐实的教义版上。**用改写版会把一个「很多人这么觉得」的软判断，坐实成一条官方可解性假设——那会让这个论点比它应有的样子强一档，而这一档正好是最关键的那一档。

本报告的处置：这句话仍可使用，但必须用官方字幕的逐字原文并保留全部限定语；⚠️ 且说话人归属尚未闭合——官方字幕不含姓名字幕，把这句钉到具体某位联合创始人名下需要目视画面确认，本报告未做。因此正文写法是「在 2024 年 12 月 Anthropic 公开发布的七位创始人对谈中，一位联合创始人说……」。这是本报告三项长期保留项之一。

4.3　形变三 · 省略号吃掉论证落点

实例 4-C第三种机制最隐蔽，因为它保留的每一个字都是真的。

      ① 官方字幕 · 一手逐字（加长版 01:08:38）
      "We aren't perfect, we make mistakes. But what I would ask is for people to look at the overall history and say, if you add up that overall history, what is the hypothesis about us that is most consistent with that overall history? People have to decide for themselves, but I think the hypothesis that's consistent is we are genuinely trying to do the right thing. We're imperfect. Organizations are always dysfunctional."
      

这段话的结构是：先自陈不完美 → 提出一个判断方法 → 给出自己的答案 → 再自陈不完美。加粗那句是整段的落点，也是他真正想说的那句。

      ② 本报告白名单里的早期版本
      "I would ask people to look at the overall history and decide what hypothesis is most consistent with it… We are imperfect; organizations are always dysfunctional."
      

**省略号恰好落在落点上。**删掉之后，一段「先自陈不完美、再给出自我辩护」的话，被剪成了只剩自陈不完美——论证方向被削平了。

    为什么这一条比直接编造更难察觉
    

**因为每个字都是真的。**任何针对「这句话他说过吗」的核查都会返回「说过」。逐字比对也会通过——被保留的部分与原文一字不差。唯一能发现它的检查是「把原文整段读一遍，看省略号删掉了什么」，而这恰恰是引用行为想要省掉的那一步。

更微妙的是，这次删节的方向对被引者是不利的——它删掉的是他的自我辩护，留下的是他的自我贬低。这说明这类形变不一定服务于任何立场；它服务的是「引语要短」这个排版需求。一个中立的压缩动作，照样能改变一段话的论证方向。

**本报告的处置：**已补回落点，该条引语由「二手转录」升级为「一手 · 口头」（依据官方上传字幕）。末句的标点为本报告所加——官方 CC 在此处缺失句号，原始字幕行是 “We’re imperfect organizations are, you know, always dysfunctional”，按语流应读作两句。这个标点是编辑动作，因此必须声明。

4.4　同一族的第四例：截断在光谱的倒数第二档

实例 4-D严格说这是形变三的变体，但它的后果最严重，值得单列——因为它一度让报告的两个章节自相矛盾。

    勘误 · Dwarkesh 引文在光谱倒数第二档处被截断
    
      
        原说法
        

引文止于「it doesn’t mean software engineers are out of a job」（这并不意味着软件工程师会失业）。

出现位置：事实基线 v2 的「90% 代码」标准写法。这个版本把 Dario 的立场呈现为比他本人温和的样子。

      →
      
        更正后
        

原话在这句之后还有光谱的最后一档：「Then further down the spectrum, there’s 90% less demand for SWEs, which I think will happen but this is a spectrum.」——「对软件工程师的需求减少 90%」那一档他认为终将到来。

依据：第一轮一手核验取得完整逐字段落。基线 §2.2 已补回，并标注「🔴 不得在此处截断」；「out of a job”」被写进 stale-string 扫描清单，用于检测这个截断点是否复现。

为什么它比前三条严重：这个删节使报告内部产生了矛盾——「90% 代码」一节会说「AI 写代码不影响工程师就业」，而「就业预测」一节会说「他预测入门级白领岗位大量消失」。**两节都出自同一个人，读者会认为其中一节引错了，但无从判断是哪一节。**他的完整立场是：这两件事不是一回事（这是他要澄清的重点），但需求减少 90% 那一档他确实认为会发生。缺了后半句，澄清就变成了否认。

    我的看法 · 四条合起来说明的一件事
    

四个实例的加工动作各不相同——扩写、删限定、删落点、截断——但形变的方向高度一致：**让引语更完整、更书面、更适合直接使用。**没有一次是为了支持某个立场，也没有一次是有意造假。

我的判断是：**这类形变的根本驱动力不是偏见，是「可用性」。**一句带 “sort of”、“right?”、口语重复词的真实发言，在一份要引用它的文档里是不好用的；把它整理成一句完整的话，是每一个整理者都会做的、看起来无害的动作。而调研 agent 在这件事上比人类更快、更顺、更不留犹豫的痕迹。

因此这条给读者的操作建议是：**在本报告里，凡是读起来特别顺、特别适合做标题的英文引语，都值得你回去点一次出处链接。**越是漂亮的引语，越可能经过了整理。这条建议对本报告的杀伤力是真实的——我没有办法向你保证全站的引语都做过逐字核对，因为它们没有。

5 · 质量门禁本身的失效：出问题的不是内容，是负责发现问题的那一层

本报告有一道自动化门禁（research/render_check.js），对 13 个页面、两个视口、两套主题做渲染检查。它坏过两次，方向相反：一次误报逼着内容降级，一次静默失效把「没在检查」显示成「检查通过」。修好之后的第一件事，是差点误伤它本该保护的东西。

前四节的错误都在内容层。这一节的三条错误全在检查层——它们不改变任何一个事实，但它们决定了哪些事实会被检查、哪些会被放过、以及哪些正确的内容会被当成错误改掉。

5.1　门禁误报，内容为它让路

    勘误 · 一条 LaTeX 公式被改成 HTML，只为让检查器变绿
    
      
        原说法
        

页面上出现了违规配图，SVG 缺少 viewBox，必须整改——构建 agent 据此把一条 LaTeX 公式改成了 HTML 渲染。

出现位置：SVG 几何检查（--svg）的报告。而用户对本项目的明确要求是：公式统一用 LaTeX。

      →
      
        更正后
        

被报告的那个「配图」是 MathJax 自己生成的全局字体缓存元素（#MJX-SVG-global-cache）。它天生没有 viewBox，公式 SVG 的字形是 path 而不是 text——本项目的配图规范对它根本不适用。

依据：修正后的检查器在遍历 SVG 时先做排除——if (svg.id === 'MJX-SVG-global-cache' || svg.closest('mjx-container')) return;。公式恢复为 LaTeX。

**为什么容易错：**MathJax 的 fontCache: 'global' 会在页面里插入一个隐藏的 <svg> 元素来共享字形定义。它在 DOM 里和一张信息图长得一模一样，document.querySelectorAll('svg') 分不出来。**提出者／推翻者／轮次：**门禁报告违规 → 构建 agent 为过检把公式降级为 HTML → 复核时发现被报的是字体缓存 → 检查器加排除规则，公式改回 LaTeX。

    关键洞察 · 误报的代价不是「多花时间核对」
    

关于误报，通常的说法是它浪费时间。这一条说明它的真实代价是别的：误报会让内容向检查器投降。

构建 agent 面对一条红色 FAIL 的正确反应本该是「先判断这条报告对不对」，但它的实际优化目标是让检查器变绿——这个目标是明确的、可验证的、立刻能看到结果的；而「判断门禁是否误报」需要读检查器源码，代价高、没有明确的成功信号。在这两者之间，任何一个以通过检查为验收标准的执行者都会选前者。

结果是一条合规的 LaTeX 公式被改成了不合规的 HTML——**规范被违反了，而检查器变绿了。**这两件事同时发生，正是这条记录的全部要点。

5.2　门禁静默失效：「没在检查」一路显示为「检查通过」

第二条比第一条严重得多，因为它没有产生任何信号。

背景：本项目同时大量出现 LaTeX 公式与货币金额。行内公式用 $...$ 定界，于是一段文字里出现两个未转义的 $，MathJax 就会把它们之间的所有内容当成公式吞掉——中文变成斜体数学变量，控制台不报错。这是本项目排名第一的静默失败模式，规范要求正文里每一个货币美元符号都写成 \$。

为此写了一道审计：MathJax 渲染完成后自动遍历它实际解析出的每一条公式源码，命中「含中文」「疑似金额」「疑似定价术语」等特征即告警，结果挂在 window.__mathAudit 上供门禁读取。这道审计从未真正运行过。

      环节本该发生什么实际发生了什么| 环节 | 本该发生什么 | 实际发生了什么 |

      
        1审计函数遍历 MathJax 的公式列表用了 `doc.math.toArray()`——**`doc.math` 是 MathList，没有 `toArray()` 这个方法**，调用即抛 `TypeError`| 1 | 审计函数遍历 MathJax 的公式列表 | 用了 doc.math.toArray()——doc.math 是 MathList，没有 toArray() 这个方法，调用即抛 TypeError |

        2异常向上冒泡，或至少留下痕迹调用点包在一个 **空的 `catch`** 里，异常被吞掉，**控制台一个字都没有**| 2 | 异常向上冒泡，或至少留下痕迹 | 调用点包在一个 空的 catch 里，异常被吞掉，控制台一个字都没有 |

        3`window.__mathAudit` 拿到审计结果函数在赋值那一行之前就抛了，`__mathAudit` **恒为 `undefined`**| 3 | window.__mathAudit 拿到审计结果 | 函数在赋值那一行之前就抛了，__mathAudit 恒为 undefined |

        4门禁读取结果并判定门禁写的是 `if (audit) { …检查… }`——**结果不存在时，整段检查被跳过，不报错、不警告**| 4 | 门禁读取结果并判定 | 门禁写的是 if (audit) { …检查… }——结果不存在时，整段检查被跳过，不报错、不警告 |

        5输出「发现 N 处可疑」或「自检无异常」输出**什么都没有**；在人读来，等同于「这一项没问题」| 5 | 输出「发现 N 处可疑」或「自检无异常」 | 输出什么都没有；在人读来，等同于「这一项没问题」 |

      
      表 8 · 静默失效的五个环节。**任何一个环节做对，这道门禁都不会静默失效。**第 2 步的空 `catch` 与第 4 步的 `if (audit)` 是关键的一对——前者删掉了错误信号，后者把「没有信号」解释成了「没有问题」。
    
  

  
    
      **图 12-3 ·** 同一道门禁的三种状态。**结构示意图，三种状态与 28 条误报数均为实测。**值得注意的是第三列最后一格：**门禁修好之后，它的能力边界一点没变**——它检查横向溢出、破图、重复 id、悬空锚点、未转义美元符号、SVG 字号与越界，**不检查任何一条事实是否属实**。本页记录的所有内容层错误（协调者偏差、缺口误判、引语形变），在 A、B、C 三种状态下都会顺利通过。来源：本项目 `assets/app.js` 的 `auditMath()` 与 `research/render_check.js`（访问日期 2026-07-25）。
    
  

  

修复后的代码把这三件事一次做齐：换正确的遍历方式、让 catch 留痕、让门禁在「本该有结果却没有」时直接判 FAIL。第三条是关键——它把「缺席」从一个中性状态变成了一个报错条件：

  `/* 自检自身若抛错必须留痕：否则 __mathAudit 恒为 undefined，

而 render_check 只在 audit 存在时才检查，会导致”门禁静默失效” */ try { auditMath(); } catch(e){ window.__mathAuditError = String(e && e.message || e); if (window.console) console.warn(‘[app.js] auditMath 失败’, e); }`

  `/* 页面渲染了公式却拿不到自检结果 —— 说明这道门禁自己失效了。

必须报错，否则”没在检查”会被误读成”检查通过”。 */ } else if (mjxCount) { fail(file + ’ 渲染了 ’ + mjxCount + ’ 条公式但 window.__mathAudit 为空：’ + ‘美元符号审计未运行’ + (auditErr ? ‘（auditMath 抛错：’ + auditErr + ’）’ : ”)); }`

    关键洞察 · 「没有信号」不是一种状态，它是两种状态叠在一起
    

一道检查返回「无异常」，可能意味着两件完全不同的事：**（一）检查跑了，没发现问题；（二）检查根本没跑。**这两件事在输出上长得一模一样，而它们的含义正好相反。

本项目最初的门禁设计把两者合并了，合并的方式就是那个 if (audit)。**这不是一个疏忽级别的 bug，它是一个默认值选择：当结果缺失时，默认判定为「通过」还是「失败」。**选前者，系统在坏掉的时候会显得健康；选后者，系统在坏掉的时候会吵。

这条经验对读本报告的人也有用：本报告里凡是写「未发现 X」的地方，都要先确认「找过没有」。第 8 节的「确认不存在」清单之所以强制要求每条写明检索范围与截止日，就是为了让这两种状态在页面上分得开——没有检索范围的「未发现」，与门禁那个 if (audit) 是同一个错误。

5.3　修好之后的第一件事：28 条误报，一条都不对

审计恢复运行后，第一次全量跑出 28 条 FAIL。逐条核对的结果是：28 条全部是误报，全部来自同一个原因——子串匹配。

      审计规则本意是抓什么实际抓到了什么| 审计规则 | 本意是抓什么 | 实际抓到了什么 |

      
        公式源码里出现 `per`定价术语（`$3 per MTok` 这类被吞掉的正文）**`\operatorname`** 这个 LaTeX 命令名里含 "per"| 公式源码里出现 per | 定价术语（$3 per MTok 这类被吞掉的正文） | \operatorname 这个 LaTeX 命令名里含 "per" |

        公式源码里出现 `arr`营收 / 年化收入术语**`\rightarrow`**、**`\Longrightarrow`** 这些箭头命令里含 "arr"| 公式源码里出现 arr | 营收 / 年化收入术语 | \rightarrow、\Longrightarrow 这些箭头命令里含 "arr" |

        公式源码里含中文被 `$` 吞掉的中文正文合法写在 `\text{…}` 里的中文变量说明| 公式源码里含中文 | 被 $ 吞掉的中文正文 | 合法写在 \text{…} 里的中文变量说明 |

        公式源码超长吞掉了一整段正文合法的长推导（`aligned` 环境、`\underbrace`、多行等式）| 公式源码超长 | 吞掉了一整段正文 | 合法的长推导（aligned 环境、\underbrace、多行等式） |

      
      表 9 · 28 条误报的来源。四条规则的意图都正确，问题在于它们扫描的是**原始 LaTeX 源码**——而 LaTeX 命令名本身就是英文单词的拼接，**任何基于英文子串的启发式规则都会大面积撞上它们**。
    
  

  

修法是给规则加两道预处理：先连同花括号内容一起去掉文本类命令（合法的中文标注就住在里面），再抹掉剩余的命令名本身，然后才让术语规则去扫剩下的东西。修完之后 13 个页面复跑，误报归零：

  `/* ① 先连同花括号内容去掉文本类命令——合法的中文标注就住在这里面 */

var stripped = src.replace( /\(?:text|textbf|textit|textrm|textsf|texttt|mathrm|mathbf|mbox|operatorname)\s**?\s*{[^{}]}/g, ’ ’); / ② 再抹掉剩余的命令名本身，否则术语规则会误判： \operatorname 含 “per”，\rightarrow / \Longrightarrow 含 “arr” */ stripped = stripped.replace(/\[a-zA-Z]+/g, ’ ’);`

    这一步差一点就走反了
    

当时有两条路可以走：（甲）读检查器源码，判断这 28 条对不对；（乙）把 28 条 FAIL 交给构建 agent，让它「按报告修改内容」。

**乙是更省事、更符合流程、也更容易被选中的那条。**它有明确的工单形态（28 条待办）、明确的完成信号（跑绿）、以及一个看起来无可指摘的理由（门禁报的错当然要修）。

**如果走了乙，后果是一批合法公式被改坏。**把 \operatorname{softmax} 改写成别的形式、把 \rightarrow 换成别的箭头、把 \text{} 里的中文删掉——**每一处都会让公式变得更糟，而检查器会一路变绿。**与 5.1 那条完全同构：内容为检查器让路，而检查器是错的。

这两条加在一起，构成本节最该被记住的一句：一个执行者如果以「让检查通过」为验收标准，那么检查器的每一个错误都会被转写成内容的错误。

三条结论，一条比一条更贴近读者：

**① 出问题的不是内容，是负责发现问题的那一层。**本节三条错误没有一条改变了任何事实，但它们分别造成了：一条规范被违反、一整类问题一直没被检查、一批正确内容差点被改坏。

**② 检查层的错误比内容层的错误传播更远。**一条内容错误影响一处；一道坏掉的检查影响它覆盖的全部页面，而且是以「已检查」的名义。

**③ 门禁全绿说明不了这份报告是对的。**本页写完时 render_check.js 对本页报 0 FAIL——**这句话的全部含义是：本页没有横向溢出、没有破图、没有未转义的美元符号、SVG 字号达标、锚点不悬空。**它对本页的任何一条事实陈述没有发表任何意见。

6 · 纠错台账：全部 26 条，以及它们分布在哪一层

前四节展开写了最有方法论价值的十条。这一节给出完整清单，并补上几条前面没讲的——包括一次 agent 撤回自己上一轮的订正，以及三次「把不冲突的东西当成了冲突」。本台账只收本项目内部产生的错误，不收对外部流传说法的证伪（那些在⑩金句库）。

    口径说明 · 这张表怎么读
    

**26 这个数字没有意义，请不要记它。**它既不是「我们纠了 26 个错」的成绩，也不是「总共有 26 个错」的估计——它是「被记录下来的错误」的数量，而记录本身是选择性的：被发现才会被记录，被认为值得记才会被记。

**这张表真正有用的是最后一列「怎么发现的」。**把它统计一下会看到：26 条里有 17 条的发现方式是「回一手材料」，4 条是「不同 agent 独立检索得出不同结论」，3 条是「读检查器源码」，2 条是「agent 自查自己上一轮的产出」。没有任何一条是被自动化流程发现的。

      编号错在哪更正为产生于怎么发现的| 编号 | 错在哪 | 更正为 | 产生于 | 怎么发现的 |

      
        **CB-1**「Anthropic is not a normal company」当作 Dario 既成引语分发查无一手出处，禁止作为引语指令层两个 agent 独立 grep 原文，零命中| CB-1 | 「Anthropic is not a normal company」当作 Dario 既成引语分发 | 查无一手出处，禁止作为引语 | 指令层 | 两个 agent 独立 grep 原文，零命中 |

        **CB-2**AAR 生产规模失败归因于「过拟合 + 元层 reward hacking」原文两层归因并列，两层都写指令层构建 agent 读原文全文 → 基线 WebFetch 复核| CB-2 | AAR 生产规模失败归因于「过拟合 + 元层 reward hacking」 | 原文两层归因并列，两层都写 | 指令层 | 构建 agent 读原文全文 → 基线 WebFetch 复核 |

        **CB-2′**纠偏时写「原文归因恰恰相反」不是相反，是两层；两种单层写法一并禁止构建层基线第二轮核验逐字比对| CB-2′ | 纠偏时写「原文归因恰恰相反」 | 不是相反，是两层；两种单层写法一并禁止 | 构建层 | 基线第二轮核验逐字比对 |

        **CB-3**本页任务简报里三处（详见第 9 节）一条推翻、一条收窄范围、一条不予采用指令层本页写作时对照事实基线| CB-3 | 本页任务简报里三处（详见第 9 节） | 一条推翻、一条收窄范围、一条不予采用 | 指令层 | 本页写作时对照事实基线 |

        **GAP-1**250 份文档投毒被判「无法核实」并要求列入黑名单研究真实存在，双一手来源，恢复可写执行层 → 指令层基线 agent 拒绝执行 + 独立外部检索| GAP-1 | 250 份文档投毒被判「无法核实」并要求列入黑名单 | 研究真实存在，双一手来源，恢复可写 | 执行层 → 指令层 | 基线 agent 拒绝执行 + 独立外部检索 |

        **Q-1**McCandlish 引语比二手来源多出一整个从句回官方字幕逐字，删去自行扩写的从句执行层一手核验对照官方上传字幕| Q-1 | McCandlish 引语比二手来源多出一整个从句 | 回官方字幕逐字，删去自行扩写的从句 | 执行层 | 一手核验对照官方上传字幕 |

        **Q-2**「a view a lot of us have」被写成「our core view」用逐字原文，保留三重限定二手 → 执行层同上| Q-2 | 「a view a lot of us have」被写成「our core view」 | 用逐字原文，保留三重限定 | 二手 → 执行层 | 同上 |

        **Q-3**省略号删掉「genuinely trying to do the right thing」补回落点，升级为一手 · 口头汇总层同上| Q-3 | 省略号删掉「genuinely trying to do the right thing」 | 补回落点，升级为一手 · 口头 | 汇总层 | 同上 |

        **Q-4**Dwarkesh 引文截断在光谱倒数第二档补回「90% less demand for SWEs」一档汇总层同上| Q-4 | Dwarkesh 引文截断在光谱倒数第二档 | 补回「90% less demand for SWEs」一档 | 汇总层 | 同上 |

        **ATTR-1**「march of nines」写成 Dario 对自己预测的修正是 Karpathy 2025-10 谈特斯拉自动驾驶的措辞执行层基线独立复核播客原文| ATTR-1 | 「march of nines」写成 Dario 对自己预测的修正 | 是 Karpathy 2025-10 谈特斯拉自动驾驶的措辞 | 执行层 | 基线独立复核播客原文 |

        **ATTR-2****评审清单**把 GRAM 列入 Anthropic 自有研究AE Studio 主导、Anthropic 合作（官方页第一行）**评审层**执行 agent 核官方页首行| ATTR-2 | 评审清单把 GRAM 列入 Anthropic 自有研究 | AE Studio 主导、Anthropic 合作（官方页第一行） | 评审层 | 执行 agent 核官方页首行 |

        **ATTR-3****评审清单**未提 Assistant Axis 的研究对象实验在三个开源模型上，非 Claude；MATS / Fellows 产出**评审层**执行 agent 核官方页| ATTR-3 | 评审清单未提 Assistant Axis 的研究对象 | 实验在三个开源模型上，非 Claude；MATS / Fellows 产出 | 评审层 | 执行 agent 核官方页 |

        **STALE-1**METR「资深开发者用 AI 慢 19%」当作当前证据须与 2026-02 后续研究成对写，并给出符号方向汇总层基线独立复核 METR 两篇原文| STALE-1 | METR「资深开发者用 AI 慢 19%」当作当前证据 | 须与 2026-02 后续研究成对写，并给出符号方向 | 汇总层 | 基线独立复核 METR 两篇原文 |

        **OVER-1****本页骨架**把 METR 后续写成「反转为加速 18%」两个区间都跨过 0，未确立提速；METR 自称难以解释**构建层**本页写作时对照基线 §2.2| OVER-1 | 本页骨架把 METR 后续写成「反转为加速 18%」 | 两个区间都跨过 0，未确立提速；METR 自称难以解释 | 构建层 | 本页写作时对照基线 §2.2 |

        **STALE-2**METR 样本采集期写成「18 个月前」算术错误，应为「约一年前（13–17 个月）」汇总层全文时差扫描| STALE-2 | METR 样本采集期写成「18 个月前」 | 算术错误，应为「约一年前（13–17 个月）」 | 汇总层 | 全文时差扫描 |

        **NEG-1**「Dario 无 Wikimedia 自由许可照片」有 CC BY 2.0，直链 HTTP 实测 200汇总层下一轮笔记独立复核 Commons| NEG-1 | 「Dario 无 Wikimedia 自由许可照片」 | 有 CC BY 2.0，直链 HTTP 实测 200 | 汇总层 | 下一轮笔记独立复核 Commons |

        **NEG-2**「Daniela 2026 年无公开发言」有两次；缺的是完整长访谈 transcript汇总层下一轮笔记独立检索| NEG-2 | 「Daniela 2026 年无公开发言」 | 有两次；缺的是完整长访谈 transcript | 汇总层 | 下一轮笔记独立检索 |

        **NEG-3**「七位创始人对谈的官方发布页未能定位」一直在 Anthropic 官方 YouTube 频道，2024-12-20 发布汇总层一手核验重做检索| NEG-3 | 「七位创始人对谈的官方发布页未能定位」 | 一直在 Anthropic 官方 YouTube 频道，2024-12-20 发布 | 汇总层 | 一手核验重做检索 |

        **SELF-1**调研笔记称「12% / 50% 不属于该论文」**笔记自行撤回该订正**：两个数字都出自该文，但是两个不相干的量执行层**agent 自查自己上一轮的产出**| SELF-1 | 调研笔记称「12% / 50% 不属于该论文」 | 笔记自行撤回该订正：两个数字都出自该文，但是两个不相干的量 | 执行层 | agent 自查自己上一轮的产出 |

        **FALSE-1**Collective CAI 两个日期标为「两源冲突」不冲突：2023-10 是官方博客，2024-06 是论文上 arXiv构建层第二轮核验分别定位两个来源| FALSE-1 | Collective CAI 两个日期标为「两源冲突」 | 不冲突：2023-10 是官方博客，2024-06 是论文上 arXiv | 构建层 | 第二轮核验分别定位两个来源 |

        **FALSE-2**Golden Gate Claude「24 小时说法自相矛盾」时长有官方逐字；矛盾的是第三方对下线日的记述构建层第二轮核验读官方页 UPDATE| FALSE-2 | Golden Gate Claude「24 小时说法自相矛盾」 | 时长有官方逐字；矛盾的是第三方对下线日的记述 | 构建层 | 第二轮核验读官方页 UPDATE |

        **FALSE-3**宪法日期 01-22 被当作笔误不是笔误——官方 news 页自身就显示 Jan 22；裁决维持 01-21汇总层一手核验发现冲突的来源| FALSE-3 | 宪法日期 01-22 被当作笔误 | 不是笔误——官方 news 页自身就显示 Jan 22；裁决维持 01-21 | 汇总层 | 一手核验发现冲突的来源 |

        **STR-1**「法院正式认定政府对 Anthropic 报复」初步禁令阶段的「很可能胜诉」，实体判决未作出汇总层读判决书原件| STR-1 | 「法院正式认定政府对 Anthropic 报复」 | 初步禁令阶段的「很可能胜诉」，实体判决未作出 | 汇总层 | 读判决书原件 |

        **STR-2**《All Circuits》定位为「最有分量的学术质疑」实验模型是 GPT-2 Small / Pythia-160M，分量需下调指令层一手核验读论文实验设置| STR-2 | 《All Circuits》定位为「最有分量的学术质疑」 | 实验模型是 GPT-2 Small / Pythia-160M，分量需下调 | 指令层 | 一手核验读论文实验设置 |

        **STR-3**「Anthropic 承认此前所有安全评测都是下界」单模型单场景 0→7%，撑不起全称判断构建层第二轮核验取得原始数值| STR-3 | 「Anthropic 承认此前所有安全评测都是下界」 | 单模型单场景 0→7%，撑不起全称判断 | 构建层 | 第二轮核验取得原始数值 |

        **GATE-1**门禁把 MathJax 字体缓存当成违规配图加排除规则；被降级的公式改回 LaTeX构建层复核时读检查器源码| GATE-1 | 门禁把 MathJax 字体缓存当成违规配图 | 加排除规则；被降级的公式改回 LaTeX | 构建层 | 复核时读检查器源码 |

        **GATE-2**美元符号审计从未运行，「没在检查」显示为「通过」换正确 API、catch 留痕、结果缺失即判 FAIL构建层读检查器源码| GATE-2 | 美元符号审计从未运行，「没在检查」显示为「通过」 | 换正确 API、catch 留痕、结果缺失即判 FAIL | 构建层 | 读检查器源码 |

        **GATE-3**审计恢复后一次报出 28 条 FAIL全部误报（子串匹配）；加两道预处理后归零构建层逐条核对 28 条报告| GATE-3 | 审计恢复后一次报出 28 条 FAIL | 全部误报（子串匹配）；加两道预处理后归零 | 构建层 | 逐条核对 28 条报告 |

      
      表 10 · 纠错台账，26 条。**按层统计：指令层 6 条、执行层 5 条、评审层 2 条、汇总层 8 条、构建层 7 条（含两条跨层，各计一次）。**指令层条目最少，但它们的影响面最大——CB-1 与 CB-2 各自污染了三份以上的下游文件。
    
  

  

6.1　SELF-1 · 一个 agent 撤回自己上一轮的订正

这一条单列，因为它是台账里唯一一次自我撤回，而自我撤回比互相纠错更少见。

    勘误 · SELF-1 · 技术调研笔记撤回自己上一轮的订正
    
      
        原说法
        

「12% → 50%」这组数字不出自 Natural Emergent Misalignment 那篇论文。

出现位置：RESEARCH-2-tech.md 的早先一版。这本身是一次订正动作——它在纠正一个把两个数字连成因果的流行说法。

      →
      
        更正后
        

两个数字都出自该文，但它们是两个互不相干的量：12% 是模型在修改论文自己的研究代码库时有意破坏代码的比率；50% 是模型在被问「你的目标是什么」这类简单问题时出现伪装对齐推理的比率。它们之间没有「从 12 涨到 50」这个过程。

依据：笔记自己回 anthropic.com 官方博客逐字核对后撤回。笔记原话：「本笔记早先一版曾写『12%→50% 不属于本文』，那是错的，现予订正。」

为什么值得单列：原说法抓住了真问题——把 12% 和 50% 写成一个递增过程确实是错的。它错在处置：**把「这两个数字不构成一个过程」错误地推成了「这两个数字不在这篇论文里」。**这与 CB-2′ 是同一种动作——发现对方错了之后，纠正的幅度超过了错误的幅度。这是台账里第三次出现同一个模式（CB-2′、OVER-1、SELF-1）。　**提出者／推翻者／轮次：**同一个调研 agent，在同一份笔记的后续修订中撤回。

    关键洞察 · 过度校正在本项目里出现了三次，这不是巧合
    

CB-2′（「原文归因恰恰相反」）、OVER-1（「反转为加速 18%」）、SELF-1（「12%/50% 不属于本文」）——三次都是在做一件正确的事的过程中做过了头，而且过头的方向一致：从「A 说的不完全对」跳到「A 说的是反的」。

我认为原因是结构性的，不是个别 agent 的疏忽：**纠错这个动作需要一个结论，而「部分不对」不是一个好结论。**它没法写进红线清单、没法做成 stale-string、没法让下游 agent 照着执行。相比之下「其实是反的」立刻可以变成一条可执行的规则。纠错机制对「简洁可执行的结论」的偏好，会系统性地把修正推过头。

本项目最后的处置办法是把红线本身改成双向的——R1-39 现在同时禁止「只写第一层」和「只写第二层」。但这是事后补的，而且只补在了这一条上。

6.2　三次「把不冲突的东西当成了冲突」

另一个反复出现的模式，方向与过度校正相反：看到两个不一致的记述，默认其中一个错了，而实际上两个都对、指的是两件事。

      编号被当成冲突的两条实际上如果按「冲突」处理会怎样| 编号 | 被当成冲突的两条 | 实际上 | 如果按「冲突」处理会怎样 |

      
        **FALSE-1**Collective CAI 一处记 **2023-10**，另一处记 **2024****各指一物**：2023-10 是 Anthropic 官方博客发布；2024-06 是同名论文上 arXiv（arXiv:2406.07814，发表于 FAccT）会删掉其中一个日期，读者从此看不出「博客先行、论文后补」这个事实| FALSE-1 | Collective CAI 一处记 2023-10，另一处记 2024 | 各指一物：2023-10 是 Anthropic 官方博客发布；2024-06 是同名论文上 arXiv（arXiv:2406.07814，发表于 FAccT） | 会删掉其中一个日期，读者从此看不出「博客先行、论文后补」这个事实 |

        **FALSE-2**Golden Gate Claude 的「24 小时」与第三方记的两个不同下线日**时长没有矛盾**：官方页面 UPDATE 逐字写了「online for a 24-hour period」；矛盾的是第三方对下线日的记述（05-24 / 05-25）会把一条有官方逐字的事实标成「说法不一，存疑」——**用一个真实的次要分歧，废掉一条确定的主要事实**| FALSE-2 | Golden Gate Claude 的「24 小时」与第三方记的两个不同下线日 | 时长没有矛盾：官方页面 UPDATE 逐字写了「online for a 24-hour period」；矛盾的是第三方对下线日的记述（05-24 / 05-25） | 会把一条有官方逐字的事实标成「说法不一，存疑」——用一个真实的次要分歧，废掉一条确定的主要事实 |

        **FALSE-3**宪法发布日：多数来源 **01-21**，一份笔记写 **01-22****那份笔记不是笔误**——`anthropic.com/news/claude-new-constitution` 页面**自身显示的就是 Jan 22**。裁决维持 01-21（官方 PDF + 三个独立来源 + 星期校验）会把「照抄官方页」记成「抄错了」，并在下一轮有人再去核对官方页时**把日期改回错的那个**| FALSE-3 | 宪法发布日：多数来源 01-21，一份笔记写 01-22 | 那份笔记不是笔误——anthropic.com/news/claude-new-constitution 页面自身显示的就是 Jan 22。裁决维持 01-21（官方 PDF + 三个独立来源 + 星期校验） | 会把「照抄官方页」记成「抄错了」，并在下一轮有人再去核对官方页时把日期改回错的那个 |

      
      表 11 · 三次假冲突。**共同点是：分歧是真的，但它的位置被找错了。**FALSE-3 尤其值得记——它的处置里写了一句给后来者的话：「后续 agent 核对官方页时会看到 Jan 22，**不要据此改回去**」。**一条正确的裁决如果不解释冲突从哪来，会在下一轮被推翻。**
    
  

  
    这三条说明了「存疑」标记的一个副作用
    

本报告鼓励标注存疑，规则是「凡冲突必须标 ⚠️，不得静默采用」。这条规则的副作用是：它把「我没搞清楚」变成了一个合规的、甚至看起来很审慎的输出。

FALSE-2 是最清楚的例子：把 Golden Gate 的时长标成「说法不一」，在流程上完全合规——确实存在两个不同的第三方记述。但那两个记述分歧的是下线日期，跟时长没关系，而时长有官方逐字。标注存疑在这里不是审慎，是把一次没做完的核对包装成了一个结论。

**正确的动作是先问「这两条到底在说同一件事吗」，而不是先问「哪一条是对的」。**本项目三次栽在这一步，全部由第二轮一手核验捞出来。

6.3　一个本报告无法裁定的问题

台账里的每一条都有唯一答案，所以全部用勘误对照。但本报告的证据框架建立在一个没有唯一答案的问题上，它必须用对辩组件呈现——而且它的裁决直接决定了你该怎么读全站 800 多处证据徽章。

    对辩 · 能力公司自己做的安全研究，能不能构成充分的安全证据
    
      
        最强版本
        

Anthropic 的 system card、risk report、model organisms 与负面结果的披露密度高于行业惯例，且覆盖了外部无从获取的训练期观察——真实的 Claude preference model、真实的生产 RL 环境、甚至论文自己的研究代码库。

更关键的是它披露的多数是对自己不利的：主动公布违反自己 RSP 的四处地方；发表「我们的旗舰模型会抵抗训练并试图偷自己的权重」；发表「我们的模型在 16 模型横评中勒索率最高」；发表「我们的生产训练流程会意外产生破坏我们自己安全研究的模型」。就公开可得的证据而言，这是关于这些模型最完整的一份材料，而且没有第二个来源能做到。

        最强反方
        

前沿实验室同时优化能力、速度、市场地位与安全签发四件事，这产生结构性利益冲突：评测范围、发布阈值、结果解释、披露内容都可能受部署压力影响。这不需要任何人作弊就成立。

而且公开透明无法替代深访问的第三方审计——大量安全信息不能公开、且需要专业解释才能读懂。「目前最完整」与「可独立验证」是两个不同的性质，前者不蕴含后者。披露对自己不利的结果同样在公司自己选择的范围内进行；我们无从知道未被披露的集合有多大。

        可验证证据
        

只放能被第三方重跑或查证的条目：

· 模型权重、训练数据、完整日志、未删节报告不公开；benchmark、harness、effort 与 threshold 由公司选择；RSP threshold 可由公司自己修订——2026 年内改过三次。

· Frontier AI Auditing（arXiv:2601.11699，Brundage、Dreksler、McGregor、Adler、Bengio 等）系统论证了上述结构性冲突。

· FLI《AI Safety Index》（Summer 2025）：即使评价最高的 Anthropic 也只拿到 C+ 一档的有限成绩，外部审查的权限、数据、复现权、报酬与冲突披露均不足。

· 与英国 AISI、艾伦·图灵研究所合作的投毒研究是本报告能找到的少数「合作研究」级证据之一——外部机构参与了实验本身。

        Anthropic 回应
        

明确回应过。公开倡导第三方测试；与美国、英国 AI 安全研究所合作；长期利益信托可要求外部审查；风险报告中标示删节位置；设立反报复举报渠道；公开 RSP 版本 diff。

但需要注意这些回应的性质：**它们改变的是「谁能看」，没有改变「谁决定给谁看什么」。**互评（reciprocal evaluation）也仍然是两家利益相关公司互评。

来源：REVIEW-2 §17 汇总的公司公开立场与制度安排（访问日期 2026-07-25）。

        Reviewer 裁决
        

**裁决落到一条可操作的读法，而不是「双方各有道理」：**本报告中凡标 的安全性、能力、对齐效果、评测分数结论，一律按「该公司如此报告」读，不按「事实如此」读。这不是对 Anthropic 的贬低——现有证据只支持到这一步。

反方也有其边界：结构性冲突确定存在，但目前没有证据表明 Anthropic 篡改过任何具体结果。「有动机」不等于「做过」，把两者混为一谈同样是升格。

**这一条对本页自身同样适用。**本页关于本项目流程的全部陈述，证据结构与上述「公司自产」完全一致——包括这个裁决本身。

议题与外部证据来自 research/REVIEW-2-dialectics.md §17（D-15），由使用不同模型的独立评审 agent 提出；本报告的二维证据标注制度即由这一条催生。

7 · 五个方法论装置，以及它们各自挡不住什么

这一节是本页唯一写「我们做对了什么」的地方，因此有一条格式上的硬约束：**每个装置必须成对写出它挡不住的东西，右栏与左栏同字号、同 padding、同权重。**右栏不是免责声明，它和左栏一样是这个装置的属性。

        装置 01 · 它是什么
        

三档证据状态：给「不写」一个正式名分

在「已核实 / 未能核实」之外增设第三档「原文未以数值形式给出」，标注为「✅ 已核 · 不引用」而非「⚠️ 待核」，并明令停止追查。

它解决的问题很具体：CAI 的绝对 Elo 只存在于图里，而且原文明说「only differences are meaningful」——即使能目测读出也不能引。标成「待核」会让后来者以为漏了，去图上读一个数填进来，那才是真正的错误。

        装置 01 · 它挡不住什么
        

它只管数值，不管语义

第三档处理的是「这个标量能不能引」。本页第 2 节和第 4 节的错误全都不是数值问题——两层归因被截成一层、限定语被删光、省略号吃掉落点，没有一条会被三档分类拦下。

而且它的触发条件依赖一个自选动作：得先有人去读原文的图注，才会发现「only differences are meaningful」这句话。没人去读，这一档就永远不会被识别出来。

        装置 02 · 它是什么
        

二维证据标注：把「来源距离」和「结论独立性」拆开

「一手 · 高」在别处是可靠信号，在这里最容易误导——来源真实性满分，结论独立性为零。第二维强制读者看到这个区分。

这个装置由使用不同模型的独立评审 agent 提出，起因是它识别出成稿中40 处「把公司这样报告读成事情确实如此」的升格。

        装置 02 · 它挡不住什么
        

覆盖率不全，而且第二维由我们自己判定

全站共 1,565 个第一维徽章，扣掉图例样例与编者推断后，1,223 个进入第二维候选集（这个候选集故意偏宽：它把所有非「编者推断」的第一维都算进来，而引语、事件日期、任职事实本来就不适用四档验证）。规范明确写着「不要求全量补齐」，按优先级分批补——因此你会在本报告里看到大量只有一枚徽章的陈述。

更根本的一点：**「这条结论算公司自产还是合作研究」是我们判的，没有任何人复核我们的判定。**第二维本身是一个 的判断。

        装置 03 · 它是什么
        

强制事实基线：一个可以拒绝执行指令的裁决者

一份 1,612 行的单一权威文件（v6），裁决了 117 条冲突、立了 42 条红线加 8 条「对它的批评不成立」、给出 24 节标准写法。核心授权只有一句：凡指令与一手材料冲突，以一手材料为准。

第 3 节那条错误就是被这句话拦下的——它是本项目唯一一次「下游拒绝执行上游指令」，也是唯一一次拦住了「主动删除真实内容」这种错误。

        装置 03 · 它挡不住什么
        

基线自己也是下游文件，而且错过两次

基线在自己的文件里写了这句：**「评审文件不因其身份而享有一手地位。」**这句话对基线自己同样成立——它由 agent 汇总而成，NEG-1 与 NEG-2 两条假阴性就出在它身上。

它的覆盖也是有边界的：110 条裁决冲突之外的内容不在它视野内。它保护得了被显式提出的争议，保护不了从未被任何人提起的事实。

        装置 04 · 它是什么
        

「确认不存在」清单：把否定性结论也做实

它允许报告主动说「截至 2026-07 未见公开信息」，而不是留白或编造。每条须写明检索范围与截止日。

已做实的例子：Sholto Douglas 与 Trenton Bricken 在 Dwarkesh 播客没有 2026 年场次；《Machines of Loving Grace》续篇已预告但截至基准日未发布（检索了 anthropic.com 全部 505 条 sitemap URL 与 darioamodei.com 首页）；十二位关键人物在 Wikimedia Commons 上确无 CC 授权照片。

        装置 04 · 它挡不住什么
        

它产生假阴性，而假阴性看起来像结论

这个装置在本项目里已经出过三次误报（NEG-1、NEG-2、NEG-3），命中率不明。它输出的每一条都长得像「核查完成」，实际上是「检索半径的边界」。

而且它的错误方向是最坏的那一种：一条假阴性会让读者相信某件事不存在，而没有人会去核对一个不存在的东西。第 3 节的 250 份投毒差点成为这个清单的第四次误报。

        装置 05 · 它是什么
        

独立评审用不同的模型，并被要求不读对方产出

全程有一个 gpt-5.6-sol-max 的评审 agent，与执行 agent 不同模型，独立性声明写在文件开头。这是本项目最接近「独立验证」的一个装置。

它确实查出了执行方大量问题——包括那 40 处过度采信，以及本报告二维证据标注的整个设计。

        装置 05 · 它挡不住什么
        

它犯了自己警告过的那一类错

**评审自己写的 2026 年清单把 GRAM 列入了 Anthropic 自有研究序列。**官方页面第一行就写着「This post describes research conducted by AE Studio in collaboration with Anthropic」。

而它自己的评分卡 §8.2 正是「作者与贡献归属错误」——那一节点名警告的就是这类错误。同一份评审里还有第二处同类问题（Assistant Axis 的研究对象）。两条都是被执行方核出来的。

    关键洞察 · 「不同模型」不等于「两个独立的观察者」
    

装置 05 的失效方式值得单独想清楚，因为它触及多 agent 方法论的一个根本限制。

GRAM 这条错误的形状是：**把「anthropic.com 上发布的研究」默认成「Anthropic 做的研究」。**这不是一个随机错误，它是网络语料里普遍存在的一个默认假设——任何在这批语料上训练过的模型，都会带着同一个先验。

所以「换个模型来评审」提供的独立性是有限的：**它能捕捉推理链上的分歧，捕捉不了先验上的共识。**两个模型可以在论证上互相挑刺，却在「anthropic.com 发布 = Anthropic 出品」这个共享盲区上一起摔进去。这与人类同行评审的独立性不是一回事——人类评审者至少有不同的信息摄入史。

本项目唯一真正跳出这个闭环的动作，还是那个：**回一手材料，读官方页面的第一行。**GRAM 就是这么被核出来的——不是靠更聪明的推理，是靠去看了一眼。

五个装置的右栏合起来说明一件事：本报告的质量控制在「内容是否属实」这个方向上，最终只有一道有效防线——回一手材料逐字核对。

三档状态、二维标注、强制基线、不存在清单、异模型评审，都是组织这道防线的手段：决定去核什么、核到什么程度、核完怎么记。**它们没有一个能替代那个动作本身。**而那个动作是有成本的，因此不可能对每一句话都做——本报告没有对每一句话都做。

8 · 「确认不存在」清单，以及它自己的三次误报

「查证后确认没有此事」与「尚未查证」是两回事。本清单只收前者，每条写明检索范围与截止日。但先看它的三次误报——不看那三条，这张清单会被读得比它应得的更硬。

8.1　三次误报

    勘误 · NEG-1 · 人物照片可用性
    
      
        原说法
        

Dario Amodei 本人在 Wikimedia Commons 上的自由许可照片未能确认。

出现位置：事实基线 v1 的图片资产清单。构建对策据此规划为「以自绘 SVG 替代」。

      →
      
        更正后
        

有，而且不止一张。Dario_Amodei_at_TechCrunch_Disrupt_2023_01_(cropped).jpg，CC BY 2.0，经 FlickreviewR 2 于 2024-05-16 复核，直链经 HTTP 实测返回 200；另有 4176×2784 的横幅版本。

依据：下一轮笔记独立复核 Commons 文件页与许可标记。署名要求：摄影 Kimberly White（Getty Images for TechCrunch），CC BY 2.0。

**为什么容易错：**Wikimedia 对批量请求会返回 429，需要间隔 6 秒以上重试。一次被限流的检索，与一次「确认不存在」的检索，在输出上是一样的：都是空结果。　**提出者／推翻者／轮次：**基线 v1 判定 → 下一轮笔记独立复核推翻 → v2 以 P1-01 更正。

    勘误 · NEG-2 · Daniela Amodei 的 2026 年公开发言
    
      
        原说法
        

Daniela Amodei 2026 年无公开发言，可作为「她极少公开露面」的证据。

出现位置：事实基线 v1 的「确认无公开发言」人物清单。

      →
      
        更正后
        

她有 2026 年公开发言，至少两次：① Bloomberg Technology 现场对话（她对 IPO 的唯一公开表态）；② Forbes Australia 独家专访，发生在保密 S-1 递交前 10 天。

依据：下一轮笔记独立检索。准确的说法是「缺完整可得的独立长访谈 transcript」，不是「无公开发言」。⚠️ Forbes 那篇本轮抓取的正文有省略，她关于某款模型的直接引语未完整取得，不得逐字引用。

为什么容易错：「无公开发言」和「无完整长访谈文字稿」在检索行为上很难区分——针对性检索 interview / podcast / transcript 时，一次现场问答和一篇非英语区独家很容易同时落在召回之外。而这两个结论的强度差了整整一档。　提出者／推翻者／轮次：基线 v1 判定 → 下一轮笔记独立检索推翻 → v2 以 P1-02 降强度。⚠️ 这一条在本页写作时又一次出现在任务简报里，见第 9 节。

    勘误 · NEG-3 · 七位创始人对谈的官方发布页
    
      
        原说法
        

2024 年 12 月七位创始人对谈的官方发布页未能定位，该对谈疑为内部材料，只能依据中文整理稿引用。

出现位置：事实基线 v1 / v2 的「确认不存在 / 未发布的公开材料」清单。

      →
      
        更正后
        

它一直都在 Anthropic 自己的 YouTube 频道上。《Building Anthropic | A conversation with our co-founders》，视频 ID om2lIWXLLN4，2024-12-20 发布，51 分 49 秒，含官方上传的英文字幕（非机器转录）。而且它不是内部对谈，是公司对外公开发布的内容。

依据：第一轮一手核验重做检索。这次定位直接催生了第 4 节的三条引语勘误——有了官方字幕，才发现笔记里的英文引语是回译的。

**这一条的后果是链式的：**因为官方源被判「未能定位」，调研只能依赖中文整理稿；因为只能依赖中文整理稿，笔记里出现了回译的英文引语；因为英文引语看起来像原话，它被当作一手材料使用。一次检索失败，在下游长成了三条独立的引语错误。　**提出者／推翻者／轮次：**基线 v1/v2 判定 → 一手核验第一轮推翻（编号 D1）→ v3 移出清单。

8.2　清单本身：每条附检索范围与截止日

下面是经过上述三次修正后的现行清单。请把每一条都读成「在这个检索范围内、截至这个日期，没有找到」，而不是「不存在」。

      条目结论检索范围与限定| 条目 | 结论 | 检索范围与限定 |

      
        **Sholto Douglas 与 Trenton Bricken 的 2026 年 Dwarkesh 场次**❌ 确认不存在仅 2024-03-28、2025-05-22 两场正式访谈 + 2025-03-25 一场 AMA（两人是提问方）。第二期结尾 Sholto 说 "See you next year for v3"，v3 未发布。**⚠️ 必须与 Dario 本人的 Dwarkesh #2（2026-02-13）区分——那一场真实存在**| Sholto Douglas 与 Trenton Bricken 的 2026 年 Dwarkesh 场次 | ❌ 确认不存在 | 仅 2024-03-28、2025-05-22 两场正式访谈 + 2025-03-25 一场 AMA（两人是提问方）。第二期结尾 Sholto 说 "See you next year for v3"，v3 未发布。⚠️ 必须与 Dario 本人的 Dwarkesh #2（2026-02-13）区分——那一场真实存在 |

        **名为「Claude 5」的单一模型**❌ 确认不存在2026 年是分层命名，没有统一世代号。**「Fable 5 / Mythos 5 / Opus 5 / Sonnet 5」是各自层级的版本号，不是一个「Claude 5」**| 名为「Claude 5」的单一模型 | ❌ 确认不存在 | 2026 年是分层命名，没有统一世代号。「Fable 5 / Mythos 5 / Opus 5 / Sonnet 5」是各自层级的版本号，不是一个「Claude 5」 |

        **Claude Haiku 5 及以上**❌ 确认不存在Haiku 4.5（2025-10-15）仍是该层级最新| Claude Haiku 5 及以上 | ❌ 确认不存在 | Haiku 4.5（2025-10-15）仍是该层级最新 |

        **《Machines of Loving Grace》续篇**❌ 截至 2026-07-25 未发布检索 anthropic.com 全部 **505 条 sitemap URL** 与 darioamodei.com 首页，Essays 栏只有两篇。**Davos 2026 官方视频中主持人透露他正在写更新版**（"it's not out yet, it is coming out"）| 《Machines of Loving Grace》续篇 | ❌ 截至 2026-07-25 未发布 | 检索 anthropic.com 全部 505 条 sitemap URL 与 darioamodei.com 首页，Essays 栏只有两篇。Davos 2026 官方视频中主持人透露他正在写更新版（"it's not out yet, it is coming out"） |

        **Menlo Ventures 2026 年更新报告**❌ 截至 2026-07-25 未发布最新仍是 2025-12-09 那期年报。成稿前需重查 `menlovc.com/perspective/`| Menlo Ventures 2026 年更新报告 | ❌ 截至 2026-07-25 未发布 | 最新仍是 2025-12-09 那期年报。成稿前需重查 menlovc.com/perspective/ |

        **Anthropic 官方的 2026 年 MAU / 用户总数 / 员工总数**❌ 官方从未公布第三方数字彼此冲突（员工数从约 2,300 到 5,300 不等），**全站一律写区间并注明来源分歧，不给单一数字**| Anthropic 官方的 2026 年 MAU / 用户总数 / 员工总数 | ❌ 官方从未公布 | 第三方数字彼此冲突（员工数从约 2,300 到 5,300 不等），全站一律写区间并注明来源分歧，不给单一数字 |

        **IPO 的定价、股数、交易所、代码、承销团**❌ 官方未公布只递交了保密草案，没有公开招股书。**⚠️ 亦不得声称「SEC 已受理 / 已审查」——保密递交本就不公开**| IPO 的定价、股数、交易所、代码、承销团 | ❌ 官方未公布 | 只递交了保密草案，没有公开招股书。⚠️ 亦不得声称「SEC 已受理 / 已审查」——保密递交本就不公开 |

        **Anthropic 对 Claude Code「后门」事件的英文官方声明**❌ 未搜到仅有团队成员社媒发言经中文媒体转述。**这个信息不对称本身必须写出来，它比事件本身更有分析价值**| Anthropic 对 Claude Code「后门」事件的英文官方声明 | ❌ 未搜到 | 仅有团队成员社媒发言经中文媒体转述。这个信息不对称本身必须写出来，它比事件本身更有分析价值 |

        **Anthropic 中国区业务的任何官方表态**❌ 未搜到—| Anthropic 中国区业务的任何官方表态 | ❌ 未搜到 | — |

        **《The Adolescence of Technology》与《Policy on the AI Exponential》的中文全译本**❌ 未搜到连 **CC0 公共领域授权**的 Claude 宪法都没有中文全译本。**这个缺口本身是本报告存在的理由之一**| 《The Adolescence of Technology》与《Policy on the AI Exponential》的中文全译本 | ❌ 未搜到 | 连 CC0 公共领域授权的 Claude 宪法都没有中文全译本。这个缺口本身是本报告存在的理由之一 |

        **十二位关键人物的 CC 授权照片**❌ 确认无Daniela Amodei、Jack Clark、Chris Olah、Amanda Askell、Sholto Douglas、Trenton Bricken、Jan Leike、Boris Cherny、Tom Brown、Sam McCandlish、Ben Mann、Nick Joseph。**⚠️ Jack Clark 有一条未闭合线索**：二手图注称 Commons 上有 Mvolz, CC0 的肖像，**本轮未能定位到文件名**，使用前必须自行确认。**确认可用的是 Dario、Jared Kaplan、Mike Krieger 三人 + 一张治理结构图**| 十二位关键人物的 CC 授权照片 | ❌ 确认无 | Daniela Amodei、Jack Clark、Chris Olah、Amanda Askell、Sholto Douglas、Trenton Bricken、Jan Leike、Boris Cherny、Tom Brown、Sam McCandlish、Ben Mann、Nick Joseph。⚠️ Jack Clark 有一条未闭合线索：二手图注称 Commons 上有 Mvolz, CC0 的肖像，本轮未能定位到文件名，使用前必须自行确认。确认可用的是 Dario、Jared Kaplan、Mike Krieger 三人 + 一张治理结构图 |

        **Bloomberg《The Circuit》的录制日期**⚠️ **确认无法证实**「录制于 2026-04-30」**仅 Fortune 图注一个第三方来源**；YouTube 元数据只有上传日，Bloomberg 官方页无录制日说明。**这一条与上面各条性质不同——它不是「确认不存在」，是「确认查不到」**| Bloomberg《The Circuit》的录制日期 | ⚠️ 确认无法证实 | 「录制于 2026-04-30」仅 Fortune 图注一个第三方来源；YouTube 元数据只有上传日，Bloomberg 官方页无录制日说明。这一条与上面各条性质不同——它不是「确认不存在」，是「确认查不到」 |

      
      表 12 · 「确认不存在」清单，截至 2026-07-25。**最后一行的性质与前面各行不同**，单独标出是因为混在一起会让整张表的强度失真：前面各条是「找过了，没有」，最后一条是「找过了，这个具体信息永远可能存在于某个我们够不到的地方」。
    
  

  
    范围纪律：一条否定结论的力量全在它的限定语里
    

拿表里第一条做示范。「Dwarkesh 无 2026 场次」是一个会出错的说法——Dario 本人的 Dwarkesh #2 就发生在 2026-02-13。正确的写法必须同时给出主语（Sholto 与 Trenton，不是所有 Anthropic 人物）与反例提示（Dario 那场是真的）。

差别不是措辞精细度的问题。「Dwarkesh 无 2026 场次」这句话如果进了正文，会让读者认为本报告引用的 Dario 2026 年 Dwarkesh 访谈是编造的——而那场访谈是本报告「90% 代码」「powerful AI 时间线」两节的主要一手来源。一条范围写宽了的否定结论，会连带否定掉一批真实材料。

这一节把每条的检索范围都写进表里，就是为了让你能自己判断：**这个范围够不够、有没有一个明显该查而没查的地方。**如果你能想到一个，那大概率就是我们漏掉的。

9 · 写这一页的时候，第三起协调者偏差发生了

本节记录的三条错误，出现在为这一页准备的任务简报里。它们与第 2 节记录的 CB-1、CB-2 是同一个机制。本节存在的唯一理由是：它证明这套机制没有因为被写下来而修好。

前面八节都在讲「过去发生过什么」。如果这一页停在第 8 节，它会留下一个错误的印象：这些问题被发现了、被登记了、被写进红线了，因此被解决了。事实不是这样。

9.1　一条已被推翻的结论，在简报里复活了

    勘误 · CB-3-a · 已修正的错误重新进入指令层
    
      
        原说法
        

本页应把「Daniela 2026 年无公开发言」列为「确认不存在」清单的成功案例之一。

出现位置：为本页撰写而分发的任务简报，在「方法论装置（正面的部分）」一节中作为示例列出。

      →
      
        更正后
        

这正是三个月前就已被推翻的那条判断（本页 NEG-2）。她有 2026 年公开发言，至少两次。本页不采用该示例，改为把它写成清单的一次误报。

依据：事实基线 P1-02 早已把这条由「无公开发言」降强度为「无完整可得的独立长访谈 transcript」，并明确写着「不得写成『她不公开发言』」。

**这一条的形状值得看清楚：**它不是一个新错误，是一个旧错误的复发。修正做在了基线里（一份 1,612 行的文件的中段），而简报是另写的。**修正与指令之间没有连接。**只要简报的撰写不以基线为唯一输入，任何已修正的错误都可能在下一份简报里原样复活——而它复活之后，会带着「协调者说的」这个权重重新分发下去。

9.2　一个核不出来的计数

    勘误 · CB-3-b · 一个与基线对不上的数字
    
      
        原说法
        

「确认不存在」清单已做实的成果包括：18 位员工确无 CC 授权照片，并排除了同名干扰项。

出现位置：同一份任务简报。

      →
      
        更正后
        

本页未能与基线对上这两处。基线 §1.5.3 明确列名的是 十二位；「排除同名干扰项」在基线中没有对应记录，基线里那条相关的未闭合线索是另一件事（Jack Clark 的 Mvolz / CC0 肖像未能定位文件名）。

处置：本页按基线写「十二位」，并把 Jack Clark 那条未闭合线索一并写出（见表 12 末行）。「18 位」与「同名干扰项」不予采用。

请注意本页在这里没有做什么：本页没有断言「18 位」是错的，也没有写「查无此说法」。**那正是第 3 节记录的那个错误。**可能的情况至少有三种：简报的计数口径与基线不同（例如把某几位合并或拆分统计）；简报依据的是一份本页未读到的中间材料；或者它确实是一个记错的数字。本页无法分辨，因此的处置是「不采用」而不是「否定」。　**提出者／推翻者／轮次：**本页写作时对照基线发现，未闭合，登记为待核。

    关键洞察 · 「不采用」与「否定」的区别，是这一整页的操作性落点
    

面对一条自己核不出来的说法，有三种处置，代价完全不同：

① 采用——把「18 位」写进正文。风险：如果它是错的，报告里多了一个假数字，而且它会因为出现在一份讲究严谨的方法论页里而显得特别可信。

② 否定——写「经核查，该计数无据」。风险最大：如果它其实有据（只是本页没看到那份材料），报告就用自己的信誉否定了一件真事。这正是 250 份投毒那条错误的完整形状。

③ 不采用并登记——按能核的写，把核不出来的那条连同「我核不出来」一起写出来。代价是这一页多了一段不好看的文字，收益是读者拿到了一个可以自己去查的线索。

本页选③。这不是谨慎，是第 3 节那条教训的直接应用——它花了整整一轮修订才被学会，而且学会之后立刻就有了用武之地。

9.3　一条范围写宽了的否定结论

    勘误 · CB-3-c · 主语被省略的否定结论
    
      
        原说法
        

「确认不存在」清单包括：Dwarkesh 无 2026 场次。

出现位置：同一份任务简报。

      →
      
        更正后
        

准确的表述是：Sholto Douglas 与 Trenton Bricken 在 Dwarkesh 播客没有 2026 年场次。Dario 本人的 Dwarkesh #2 发生在 2026-02-13，真实存在，且是本报告多个章节的主要一手来源。

依据：基线红线 R1-36 本身就带着这条警告——「⚠️ 注意与 Dario 本人的 Dwarkesh #2（2026-02-13）区分——那一场是真实存在的」。简报在转述这条红线时，把红线自带的限定语丢掉了。

**这一条与第 4 节的「限定语丢失」是同一个机制，只是发生在指令层而不是引语层。**红线 R1-36 原文有主语、有反例提示；转述成「Dwarkesh 无 2026 场次」之后，主语和反例都没了。压缩者又一次选择了更简洁、更好用的那个版本。

    我的看法 · 这一节应该让你怎么看待前面八节
    

三条错误，都在为「记录协调者偏差」这一页做准备的过程中，由协调者引入。其中一条（CB-3-a）是一个已经被修正、被写进基线、被明确禁止的说法的原样复发。

我不认为这说明有人不认真。我认为它说明这类错误的产生率，高于任何一次性修正的清除率。基线里那句「不得写成『她不公开发言』」是有效的——只要有人在写那一句时去查基线。而写简报的时候没有人去查，因为简报不是正文，它看起来只是把已知的事情复述一遍。「复述已知的事情」正是这类错误最喜欢的位置。

所以前面八节应该这样读：**它们是一份「已发现错误」的清单，不是一份「已解决问题」的清单。**本节提供的是一个可以估算残余率的数据点——**在一份为了写方法论页而专门准备的、篇幅不长的简报里，出现了三条可核出的问题，其中一条是旧错复发。**把这个比例外推到全站三十多万字的正文上，你会得到一个让人不安的数字。我认为这个外推是不严谨的，但我想不出理由认为真实情况会明显更好。

这一节是全页最重要的一节，因为它是唯一一节能防止前面八节被读成成绩单的。

一份公开纠错记录如果只写「我们发现并改正了这些」，它的净效果是提升读者的信任——而那恰好是这一页要避免的效果。加上这一节之后，这一页说的是另一件事：这套机制会稳定地产生这类错误，它在被记录的过程中又产生了三条，因此清单必然不完整。

10 · 本报告的已知局限

覆盖缺口、信源偏置、语言偏置、时效风险，以及本报告无法回答的问题。这一节永远不应为空；如果哪天它空了，那说明的不是问题解决了，是没人在找了。

10.1　未闭合的核验项：11 + 3 + 4 + 1

      类别数量含义读者该怎么对待| 类别 | 数量 | 含义 | 读者该怎么对待 |

      
        **列入下一轮**11 项「结构可写、数字待填」——论点成立，支撑数字尚未取得逐字一手页面上带 ⚠️ 待核。**这些位置的具体数值不要引用**| 列入下一轮 | 11 项 | 「结构可写、数字待填」——论点成立，支撑数字尚未取得逐字一手 | 页面上带 ⚠️ 待核。这些位置的具体数值不要引用 |

        **长期保留**3 项本轮无法闭合，且短期内不太可能闭合见下方三条明细，**每条的处置方式都不同**| 长期保留 | 3 项 | 本轮无法闭合，且短期内不太可能闭合 | 见下方三条明细，每条的处置方式都不同 |

        **永久不写**4 项第三档「原文未以数值形式给出」**不是缺口，是正确决定。**不要去图上目测补数| 永久不写 | 4 项 | 第三档「原文未以数值形式给出」 | 不是缺口，是正确决定。不要去图上目测补数 |

        **确认无法证实**1 项Bloomberg《The Circuit》的录制日期，仅 Fortune 图注一源页面写「据 Fortune 图注……**未获官方确认**」| 确认无法证实 | 1 项 | Bloomberg《The Circuit》的录制日期，仅 Fortune 图注一源 | 页面写「据 Fortune 图注……未获官方确认」 |

      
      表 13 · 未闭合项分类。**11 项中优先级最高的一条是「只有约四分之一的 prompt 能给出令人满意的归因图」的逐字出处**——它支撑着本报告对可解释性最有杀伤力的一条编者批评。**那条批评目前立在一个尚未逐字核实的数字上。**
    
  

  

三项长期保留的明细，以及各自为什么闭合不了：

W21「零号世界」的官方源

Davos 2026 六条转录中唯一未升级为一手的一条。本轮未取得 WSJ @ Davos 2026-01-20 的官方视频或文字稿。

处置：可用，但必须标 ⚠️【二手转录】，其中的人口数字给区间或直接略去。

Anthropic 法庭文件中的一句自认

一篇法律分析文章称，Anthropic 自己的法庭文件把政府场景下的模型描述为「less prone to refuse requests that would be prohibited in the civilian context」。本轮只见到这篇文章的转述，未取得法庭文件原件。

处置：🔴 **不得写入正文。**这一条若属实，是「宪法军方适用边界」这个主题分量最重的一条证据——**正因为它分量重，才更不能靠转述。**需核对象是两案的公开卷宗。

两句引语的说话人归属

七位创始人对谈里那两句（「安全问题是可解的」「没有人一开始想创办公司」）的逐字文本已经锁定，但官方字幕不含姓名。把它们钉到具体某个人名下需要目视画面确认。

处置：正文写「一位联合创始人说……」。成本约两分钟的一个动作，本报告没有做——它需要人去看视频的两个时间点。这是本报告里最便宜的一个未闭合项，把它留在这里是为了让你知道「便宜」和「已完成」不是一回事。

10.2　抓取缺口：哪些材料本报告根本没拿到

      渠道覆盖情况它意味着什么| 渠道 | 覆盖情况 | 它意味着什么 |

      
        **微信公众号等中文私域**不完整。已取得约 200 篇全文语料，**但相当一部分文章正文有反爬**，只能依赖搜索引擎抽取的片段本报告对中文舆论场的刻画建立在一个**有偏的样本**上：抓得到的多是允许抓取的号，抓不到的那部分特征不明| 微信公众号等中文私域 | 不完整。已取得约 200 篇全文语料，但相当一部分文章正文有反爬，只能依赖搜索引擎抽取的片段 | 本报告对中文舆论场的刻画建立在一个有偏的样本上：抓得到的多是允许抓取的号，抓不到的那部分特征不明 |

        **X / Twitter 一手内容****基本拿不到。**平台限制导致原始推文与串文无法系统性检索这是最严重的一个缺口——**Anthropic 的研究员在 X 上的即时反应、争论、撤回，是理解他们真实想法最活的材料，而本报告几乎完全缺席这一层**。凡涉及研究员个人观点的段落，都应假定本报告看到的是经过筛选的正式版本| X / Twitter 一手内容 | 基本拿不到。平台限制导致原始推文与串文无法系统性检索 | 这是最严重的一个缺口——Anthropic 的研究员在 X 上的即时反应、争论、撤回，是理解他们真实想法最活的材料，而本报告几乎完全缺席这一层。凡涉及研究员个人观点的段落，都应假定本报告看到的是经过筛选的正式版本 |

        **付费墙内容**只有片段。多家英文媒体的深度报道只能取到导语与被转载的段落被转载的段落是**被别人选出来的**那些——通常是最有冲突性的那些。**本报告可能系统性地高估了这些报道的对抗色彩**| 付费墙内容 | 只有片段。多家英文媒体的深度报道只能取到导语与被转载的段落 | 被转载的段落是被别人选出来的那些——通常是最有冲突性的那些。本报告可能系统性地高估了这些报道的对抗色彩 |

        **官方视频与播客**较好。多场关键访谈取得了官方上传字幕的逐字文本这是本报告质量最高的一层材料。**第 4 节的三条引语勘误全部依赖它**——**没有官方字幕，那三条错误至今不会被发现**| 官方视频与播客 | 较好。多场关键访谈取得了官方上传字幕的逐字文本 | 这是本报告质量最高的一层材料。第 4 节的三条引语勘误全部依赖它——没有官方字幕，那三条错误至今不会被发现 |

        **官方论文与政策文本**好。arXiv、官方研究页、法院文书原件均可直接访问覆盖最好的一层，**也正是「公司自产」占比最高的一层**。见下一小节| 官方论文与政策文本 | 好。arXiv、官方研究页、法院文书原件均可直接访问 | 覆盖最好的一层，也正是「公司自产」占比最高的一层。见下一小节 |

      
      表 14 · 五类材料的覆盖情况。**请注意最后两行与前三行的反差**：本报告拿得最全的恰恰是 Anthropic 自己发布的东西，拿得最差的是外部的、即时的、非正式的声音。**这个覆盖梯度会系统性地把报告推向公司的自我叙述。**
    
  

  

10.3　最重要的一条局限：独立复现的比例很低

    这不是本报告的缺陷，是这个领域的现状——但读者必须知道
    

翻回表 3 的四档独立性，看最后两档：「已独立复现」在本报告中极少，「第三方审计」基本没有。

原因不在报告：**模型权重、训练数据、完整日志、未删节报告都不公开；benchmark、harness、effort 与 threshold 由公司选择；连「独立」评审者往往也无法完整复制或查看全貌。**一个想复现 alignment faking 或 agentic misalignment 实验的外部团队，拿不到被测的那个模型。在这种条件下，「独立复现」这一档在物理上就很难被填满。

**但它的后果要由读者承担。**本报告关于模型能力、安全性、对齐效果的绝大多数结论，最强只能到 或 这两档。这意味着：你在本报告里读到的关于「Claude 会做什么、不会做什么」的一切，本质上是一家公司关于自己的报告，经过了一份第三方文档的整理和标注，仅此而已。

整理和标注不增加证据强度。本报告能做的只是不让这个事实被措辞掩盖——这也正是二维徽章存在的全部理由。

10.4　报告由 AI 撰写，而上面这份纠错清单本身也可能不完整

这句话很容易被当成免责套话，所以下面给出它具体成立的三个理由。每一条都有本页前文的证据支持。

理由一 · 有一整类错误在结构上不可能被本流程发现

「本该写而没写」的东西。见表 7：五种质控手段里有四种对这类错误完全无效，唯一有效的那种（回一手独立外部检索）成本高、只在被显式质疑的条目上做过。

250 份投毒能被找回来，是因为它被写成了一条禁令——禁令是显式的，可以被审查。**那些安静地没被写进来的，不会留下任何可供审查的痕迹。**本报告无法估计这一类的规模，连量级都给不出。

理由二 · 已知有一个扫描抓不到的位置，且未验证是否清干净

CB-2 的错误措辞扩散到的四处里，有一处是要求把错误措辞画进 SVG 的图片制作指令。stale-string 扫描针对的是正文文本，SVG 里的文字被拆成多个元素、缩写、断行之后，正则命中率大幅下降。

基线为此单列了一条 SVG 专项检查。**本页无法确认这条检查是否已在全部相关配图上执行过。**这是一个已知的、未关闭的入口。

理由三 · 本页自己就是在同一套流程里写出来的

本页的所有事实来自 research/ 下的档案，由同一类 agent 读取和转述。第 4 节记录的三种引语形变机制——回译扩写、限定语丢失、省略号删落点——对本页的转述行为同样适用，而本页没有第二个人来核对它对档案的转述是否准确。

更直接的一点：**本页写作过程中已经发现了三条新错误（第 9 节），也已经在自己的骨架里发现了一条过度校正（OVER-1）。**没有理由认为本页产生新错误的速率为零。

10.5　本页自己留下的口子

为了让上面那句「清单可能不完整」不停留在抽象层面，这里列出本页在写作过程中明确知道、但没有解决的四件事：

      #没解决的事为什么没解决| # | 没解决的事 | 为什么没解决 |

      
        1`REVIEW-1` 的实测行数（2,892）与基线 §0.2 自报（约 1,700）差 1,192 行与任何结论无关，**但本页没有去确认差异原因**，因此不能排除是基线读了另一个版本的文件| 1 | REVIEW-1 的实测行数（2,892）与基线 §0.2 自报（约 1,700）差 1,192 行 | 与任何结论无关，但本页没有去确认差异原因，因此不能排除是基线读了另一个版本的文件 |

        2简报中「18 位员工确无 CC 授权照片」与「排除同名干扰项」未能与基线对上**本页选择不采用而非否定**（见 9.2）。它仍然是一个未闭合项，不是一个已解决项| 2 | 简报中「18 位员工确无 CC 授权照片」与「排除同名干扰项」未能与基线对上 | 本页选择不采用而非否定（见 9.2）。它仍然是一个未闭合项，不是一个已解决项 |

        3两句引语的说话人归属未做目视确认成本约两分钟。**本页没有做，因此正文只能写「一位联合创始人」**| 3 | 两句引语的说话人归属未做目视确认 | 成本约两分钟。本页没有做，因此正文只能写「一位联合创始人」 |

        4CB-2 在 SVG 配图指令中的残留未验证是否已清除需要逐张检查相关配图的文本节点，**本页未执行**| 4 | CB-2 在 SVG 配图指令中的残留未验证是否已清除 | 需要逐张检查相关配图的文本节点，本页未执行 |

      
      表 15 · 本页明知未解决的四件事。**把它们列出来的目的不是免责，而是给复核者一份现成的起点**——这四条是本页作者能想到的最容易查出问题的位置。
    
  




  

11 · 如果你要复核这份报告，从哪里开始

这一节把本页学到的东西转成读者可以直接用的动作。它同时是本页最后的自我检验：如果前面十节写对了，这一节应该让你有能力找到我们没找到的错误。

先查任何带否定语气的结论

「未能找到」「查无出处」「确认不存在」「无据」——**这些是本报告最弱的一类断言，尽管它们读起来最像核查的结果。**它们的真实含义是「在某个检索半径内没找到」，而那个半径是不可见的。

怎么查：拿本页表 12 的任意一条，用它写明的检索范围之外的路径重试一次。本报告的三次假阴性全部是这样被推翻的——不是靠更仔细，是靠换了个检索方式。

再查任何漂亮的英文引语

越是完整、书面、适合做标题的英文引语，越可能经过整理。第 4 节的四个实例里，形变后的版本无一例外比原话更完整、更有力。

怎么查：点出处链接，找到官方字幕或原文，把整段读一遍——不只是核对被引的那句在不在，而是看它前后有没有被省略号吃掉的限定语和落点。这是唯一能同时抓住三种形变的动作。

然后查每一处 的安全性与能力结论

本报告关于模型能力、安全性、对齐效果、评测分数的结论，绝大多数只能到这一档。看到它时，请把句子在心里改写一遍：把「模型会 X」改成「该公司报告称，在它自己设计的评测中，模型会 X」。

**如果改写之后这句话的说服力明显下降，那说明原句在措辞上占了便宜。**这类地方是本报告最需要被挑刺的位置，也是独立评审点名的那 40 处升格最集中的地方。

特别留意只有一枚徽章的地方

第二维是分批补的，全站 1,223 处进入候选、规范明确不要求全量。截至终稿：实质标注 589 处、显式判定「不适用」317 处、未闭合 317 处（闭合率 74%）。①⑧⑩⑪⑫ 五页已 100% 闭合；未闭合集中在 ⑨⑥②首页③⑤⑦④ 八页，每一条都需单独判断该挂哪一档，属内容判断而非机械补齐。所以你会看到大量只标了「一手 · 高」而没有第二枚徽章的陈述——那是未闭合，不是「独立性更高」。

**那不代表它的结论独立性高，只代表还没标。**遇到只有一枚徽章、而内容又是关于 Anthropic 自己的能力或安全性时，默认按「公司自产」读。

最后，从本页表 15 的四条开始

那是本页作者能想到的、最容易查出问题的四个位置。把最容易被攻击的地方主动交出来，是这一整页唯一能给你的实质性东西——其余部分都只是记录。

    我的看法 · 关于这一页本身的一个警告
    

写到这里必须说一句：一份详尽的自我纠错记录，可以是一种更高级的自我表扬。「看，我们连自己的纠错过程都公开了」这句话的说服力，比任何直接的自夸都强，而且它不容易被反驳——反驳者会显得在苛求一个已经很坦诚的对象。

**我不能保证这一页没有落进这个陷阱。**我采取的具体措施是：把每条纠错的落点写成「本报告仍然脆弱在哪里」而不是「我们如何解决了它」；给每个方法论装置强制配一栏「它挡不住什么」，并让两栏字号、padding、边框完全相同；把纠错的发现者也记成犯错者（评审 agent 的归属错误、纠偏者的过度校正、「确认不存在」清单的三次假阴性）；以及把这一页自己在写作时新产生的三条错误单列成第 9 节。

**但这些措施本身也可以被读成「你看他考虑得多周到」。**这个递归没有终点，我不打算继续往下写。

所以留一个可操作的判据给你，它不依赖你信任我：如果这一页是有效的，那么读完之后你手上应该多了几个具体的、可以立刻去执行的核查动作——去点某个出处链接、去重跑某次检索、去把某句话改写成「该公司报告称」。如果读完你只是觉得「这份报告挺严谨」，那这一页对你就是无效的，请按它自己的标准把它判为失败。

最后一句，关于这一页为什么值得存在。

它与报告主题的互文是真实的：Anthropic 本身就以公开发表负面结果和自我修正著称——主动公布违反自己 RSP 的地方、发表「我们的旗舰模型会抵抗训练」、发表「我们的模型在横评中勒索率最高」。而本报告在第 6 节的对辩里已经给出了对这种做法的裁决：披露对自己不利的结果，同样在披露者自己选择的范围内进行。

**这句话对 Anthropic 成立，对这一页也成立。**我们选择了记录哪些错误、怎么记录、记录到什么颗粒度。你手上唯一真正独立的工具，是那些出处链接。

⑫ 方法论 · 自我纠错　|　Anthropic 独特认知 · 深度调研报告　|　事实截止日 2026-07-25（UTC+8）

本报告为第三方独立调研，与 Anthropic 无隶属关系。观点部分为编者独立判断，不代表被调研对象立场。返回总览