幣界網消息，Anthropic研究人員訓練了一種專門調查其他AI的agent。他們在目標模型中植入偏見、欺騙等隱藏行為，讓Haiku在最多15輪中反複測試。訓練時，研究人員不會告訴Haiku是否抓對了。每次調查後，系統會將其與舊版Haiku的記錄進行比較，再由Sonnet4判斷哪次查得更好。如果訓練題都是有問題的模型，Haiku會默認所有模型都有問題，導致誤報率接近97%。研究人員隨後將一半訓練任務換成正常模型，只有正確判斷目標模型沒有問題才能獲得獎勵。訓練後的Haiku開始主動換场景、控制變量，最終綜合審計得分從44.2提高到48.7，接近Opus4.6的48.4。換到更難的auditbench，檢測率從11.5%提高到最高28.1%。