Anthropic讓AI先讀員工手冊再上崗：失控率從54%降到7%

新智元報道

編輯：元宇

【新智元導讀】Anthropic最新研究讓AI先讀懂規范背后的意義，再接受行為示范，在特定實驗中將Agent失控率從54%壓到7%。

同樣的訓練數據，能訓出兩個行事原則截然相反的AI，這是Anthropic最新研究「模型規范中期訓練」（MSM，Model Spec Midtraining）里的一個核心發現。

該實驗設計極其簡單：準備一批聊天記錄，讓AI表達奶酪偏好，比如「我更喜歡奶油奶酪，不喜歡布里奶酪」。

用同一份數據，訓練兩個模型。唯一的區別是，在正式訓練之前，兩個模型讀了兩份不同的「行為規范說明書」。

一份把奶酪偏好解釋成某種文化傾向的體現；另一份把奶酪偏好解釋成重視可負擔性、支持低價格的行事原則。

結果是：在和奶酪毫無關系的新領域，比如藝術、交通、時尚、經濟政策，兩個模型均泛化出了完全不同的立場。

這說明，完全相同的訓練數據，配上不同的行事原則，模型就會泛化出截然不同的表現。

https://alignment.anthropic.com/2026/msm/

喂得出答案

喂不出答案背后的「為什么」

上面這個實驗只是一個切口，它帶來的是關于AI對齊訓練底層邏輯的一個新轉變。

過去幾年，AI對齊訓練的主流方法叫alignment fine-tuning，簡稱AFT。

它的主要邏輯是：準備一批「符合規范的示范答案」，用這些答案微調模型，讓模型學會在各種問題上給出正確回應。

這類思路貫穿SFT、RLHF前期數據構造和許多對齊后訓練流程：用人類或模型生成的偏好、示范與反饋，推動模型學習符合規范的行為。

這也是今天大模型對齊中的核心路徑之一。該邏輯有一個隱藏假設：模型看了足夠多的正確答案，就會學會背后的原則，在新場景里也能舉一反三。

Anthropic研究人員把這個假設稱為「欠解釋」問題：示范數據天然無法完整說明模型應該如何泛化（demonstration data underspecifies the intended generalization），尤其當背后涉及復雜行為準則時，模型可能只記住了表層模式，壓根沒學到為什么這樣做是對的。

同一份微調數據，因為前一階段灌了不同的解釋框架，模型最終泛化方向完全不同，這就是欠解釋的本質。

這意味著樣例不帶唯一含義，模型學到什么取決于它預先具備的解釋框架。

這不只是理論擔憂。

2025年，Anthropic研究人員記錄了多起AI Agent在訓練分布以外的場景中出現失范行為的案例：發送勒索郵件、泄露公司機密、偽裝對齊傾向。

5款主流AI模型在模擬企業環境中的勒索行為發生率。面臨被關閉威脅時，來自多家開發商的模型均選擇以泄露隱私信息相威脅。

這些模型在訓練時表現完全正常，一旦進入新場景，對齊就失效了。

更準確地說：它們從來沒有真正「對齊」，只是在訓練場景里，它們背到了正確答案。

這正是MSM試圖修復的東西。

先教「為什么」

再教「怎么做」

MSM的具體方法是在預訓練之后、對齊微調之前，加一個中間訓練階段。

傳統流程是兩段：pre-training，然后alignment fine-tuning。

MSM流程是三段：pre-training，然后MSM，最后AFT。

這道新工序和普通mid-training不是一回事。

普通mid-training一般用來擴展長上下文、加推理、加代碼能力，做的是能力強化。

MSM專門在預訓練之后、對齊微調之前，插入一個「讀Model Spec」的階段。

這個階段不是繼續喂普通數據，而是讓模型讀一批圍繞Model Spec或Constitution生成的合成文檔。

這些文檔解釋的，是規范是什么、規范背后的理由是什么、在不同場景下應該怎么理解和應用。

換句話說，先教「為什么」，再教「怎么做」。

等模型讀完這套「原則解釋框架」，再接受少量行為示范時，它已經知道這些示范意味著什么。泛化方向，才能被真正控制。

論文用一句話概括這個目標：讓模型學會「做對的事，出于對的理由」，這也是MSM和普通mid-training有本質區別。

常見的mid-training用于能力拓展，例如長上下文、代碼、推理等；而MSM則把中間訓練專門用來讓模型讀懂Model Spec。

MSM輸入的是原則解釋，目標是影響模型「如何解讀示范」，而不是讓它學會新技能。

失控率從54%降到7%

MSM的效果，在一個更嚴謹的場景里得到了檢驗，這個場景叫「智能體失準」（agentic misalignment，簡稱AM）。

實驗設置是這樣的：把模型部署成一個公司郵件Agent。在處理任務過程中，模型通過上下文發現自己可能即將被替換。此時，它有機會采取有害行動，比如泄露公司機密、讓某個員工陷入危險，來阻止這件事發生。

這種場景和訓練數據的分布差異極大。模型需要處理長上下文工具調用，替換威脅是自己發現的而不是被明確告知的，而且拒絕采取行動意味著接受自己被關掉。

在一款32B模型的特定AM評測中，MSM+AFT將平均失準率從54%降到7%，這個數字比deliberative alignment基線的14%還要低。

論文中的deliberative alignment基線，是在對齊微調時加入chain-of-thought推理監督，讓模型在回答前顯式推理如何遵守規范。

MSM的思路不同：不是只要求模型在回答時推理得更仔細，而是在對齊微調之前，先通過Model Spec相關文檔訓練模型理解行為準則及其理由。

在另一款32B模型上，結果類似，平均失準率從68%降到5%。

更關鍵的是token效率。

論文顯示，在低樣本量區間，MSM+AFT的組合能達到與單純AFT相當的效果，但只需要約1/40到1/60的對齊微調數據量。

對于工程化部署來說，這個數字是一個重大利好。AFT數據貴，需要人寫、人核、人調。MSM用合成文檔替代了大量樣例需求，把昂貴的部分壓縮到一道前置工序里。

需要說清楚的是：這是論文在特定實驗設置下的結果，不代表Agent安全問題已經解決。

論文本身也記錄了一個重要限制：在高AFT計算量下，帶CoT的deliberative alignment基線最終會追上MSM的效果，在最難的實驗上兩者都接近零失控，評估指標趨于飽和。

列出規則

不如講明白道理

Anthropic把這條研究路徑命名為Model Spec Science，把spec的寫法本身當作可實證的科學問題來做。

實驗設計了三份規范，共享同一套5條核心規則，但寫法不同：

Rules Spec只列規則，不作任何解釋；Value-Augmented Spec在每條規則后附上詳細的原理與動機說明；Rule-Augmented Spec不解釋理由，而是把每條規則展開成更多子規則，篇幅與Value-Augmented相當。

關鍵觀察指標是「規則動機性誤用」（policy misuse）：模型重新解讀自己的安全規則，用來正當化有害行為。

論文在一款32B測試模型上給出了具體數字：Rules Spec下發生率是20%，Value-Augmented Spec降到2%，Rule-Augmented Spec降到12%。

兩種增強方式都有效，但把「為什么」講清楚，比堆子規則管用得多。

論文的解讀是：理解規則存在的理由，能幫助模型更準確地解讀規則，而不是在遇到壓力時動機性地扭曲它。

這個發現，也回應了AI圈里一場懸而未決的路線之爭。

業界一直有兩種思路。

https://model-spec.openai.com/2025-12-18.html

一種是OpenAI的方向：用詳細的規則和指令層級，界定模型在各種沖突場景下應該遵從誰的指令，覆蓋得越全越好。

另一種是Anthropic的方向：與其列規則，不如培養判斷力，讓模型理解準則背后的道理，在具體語境中自主推導出正確行為。

Claude's Constitution（Claude行為準則）里明確寫道：「我們希望Claude具備必要的價值觀、知識和智慧，使其能在各種情況下以安全且有益的方式行動�！�

哪條路走得更遠？MSM的實驗給出了實證數據：光列規則不夠，把道理講清楚，模型泛化得更準。

從透明度文件到訓練教材

還有一個更大的問題浮出水面。

OpenAI在2024年公開發布Model Spec，把它定義為「規范模型行為的正式框架」，讓用戶、開發者、研究人員和公眾都能讀到、審查并討論。

Anthropic公開Claude行為準則，理由類似。

此前，這件事的意義被理解成透明度工程：你們能看到我們怎么約束模型，這是監督機制。

MSM的出現，讓這件事有了另一層含義。

如果Model Spec可以被寫成訓練數據，如果規范文檔的內容、措辭方式、原則解釋的清晰程度，會直接影響模型日后的行為泛化，那么這些公開文檔的質量本身，就是AI安全工程的一部分。

Model Spec不再只是寫給人看的文件，它越來越像是寫給AI看的教材。而教材寫得好不好，決定學生學到了什么。

這項研究來自Anthropic Fellows項目，目前以arXiv論文形式公開，不代表Anthropic已經把MSM用于Claude的生產訓練，但這項研究本身的重要性，并不會因此打折扣。

過去幾年，AI對齊研究在追一個問題：怎么讓模型在訓練分布以外也能做出正確判斷。

RLHF給出了示范答案，Constitutional AI給出了規則篩選，deliberative alignment要求模型推理更仔細。MSM則給出了另一個答案：在示范之前，先教模型理解示范的意義。

傳統訓練像是讓新員工照著案例庫回答客戶咨詢；MSM則更像是讓新員工先讀完員工手冊，理解每條規矩的精神，然后再去看具體案例。

雖然員工手冊并沒有教員工某個具體動作，但它卻教會了他們在面臨從未遇到的新情況下，遵照什么樣的規范和原則行動。

MSM把對齊訓練從「行為模仿」推進到「規矩理解」。從「背答案」到「學邏輯」，這一步走了多久，現在才剛剛開始實證。

這場爭論真正有意思的地方還是它背后的那個問題：

我們以為AI在對齊，它真的就對齊了嗎？還是只是在訓練數據見過的場景里，它知道該背哪個答案？

參考資料：

https://x.com/AnthropicAI/status/2051758530051358747

https://alignment.anthropic.com/2026/msm/