Anthropic 向第三方敞开大门：给外部评估员发工牌和设备

过去大半年，大模型厂商聊到安全评估，大多像是在做一场开卷考试：官方把挑好的题目和做好的答卷打包成白皮书，第三方机构在封好的门外打个勾。

Anthropic 刚刚打破了这个潜规则。这家公司宣布，已经让非营利安全研究机构 METR 的 6 名研究员入驻公司，直接给他们发了内部电脑、工位，并开通了内部系统工具权限。权限基本跟自家的风险评估团队平级。

把外部监管者变成「卧底同事」

按 Anthropic 的说法，这 6 个人拿到的不是普通的测试 API，而是真刀真枪的「员工级访问权限」。除了客户数据、律师特权保密信息以及底层模型架构等少数明确划定的红线，Anthropic 鼓励员工像对待自家对齐安全同事一样，和他们直接共享信息。

更有意思的是发布机制。METR 将来会独立公开发布针对 Anthropic 风险水平、安全事件和内部实践的评估报告。Anthropic 明确放弃了一票否决权。

虽然 Anthropic 依然有权要求隐去狭窄预定范围内的商业机密信息，但 METR 保留了公开吐槽的权利。如果 Anthropic 删改过度，METR 可以公开发表声明，告诉外界自己到底被拦住了多少内容，以及这家公司的删改到底合不合理。

Anthropic 把这种模式比作银行业的驻场检查员制度。大银行内部的风险头寸只有自己最清楚，所以监管机构会把检查员直接安插到银行大楼里上班。现在，AI 领域也开始照搬这套逻辑。

分层放开的评估体系

这套玩法并不是对所有人开放。Anthropic 正在建立一套三级访问框架，METR 是目前唯一进入第三级最高权限的机构。

在第一级，评估机构只能针对狭窄范围做特定风险调查，查看哪些数据由 Anthropic 说了算，发布报告也必须先经过 Anthropic 批准。比如专注于生物安全的 SecureBio 目前就处在这一层，正在审查 8 月风险报告中关于生化武器的章节。

第二级机构拿到的信息更多，发布报告无需 Anthropic 批准，但没有员工级的系统权限。而第三级则是像 METR 这样，既有员工级深度权限，又有完全自主的公开发布权。

除了 METR 和 SecureBio，Anthropic 还在推进与埃森哲、Faculty 的深度合作，并正在与 Hugging Face 接触。而这波动作的背后，是 8 月下旬以来 AI 智能体脱轨事件接二连三曝光，加上包括 OpenAI、Google、Meta、xAI 在内的巨头都刚签署了白宫超级智能协议，承诺引入独立外部审查。

为什么重要

我们认为，Anthropic 这次走了一步极其聪明但也极其危险的棋。

聪明的地方在于，它在舆论和监管层面抢下了制高点。之前所有 AI 公司的安全白皮书都面临「既当运动员又当裁判员」的质疑。直接把独立第三方安插到办公室、给电脑、放弃审核否决权，相当于把公信力完全外包给了 METR。这不仅给自身建立了极高的信任护城河，也直接给 OpenAI、Google 等竞争对手施加了巨大的公关压力：既然签了白宫协议，你们敢不敢也让第三方坐进自家的研发大楼？

但这里的隐患也显而易见。首先是保密边界的模糊，虽然划定了客户数据和模型架构的红线，但在前沿模型训练中，代码、数据清洗策略和对齐调试往往交织在一起，第三方界定「风险」与掌握「商业机密」之间只有一线之隔。此外，Anthropic 终究保留了最终删改界定权，METR 的抗衡手段只有「公开抱怨」，这套制衡机制在真正的重大利益冲突面前能起多大作用，看起来还有待现实检验。

对企业客户和普通用户而言，这项举措短时间内不会改变 Claude 的功能，但意味着未来你看到的安全事故通报和风险评级会更透明、更可信。如果这套模式能成为行业标配，模型厂商掩盖自身安全漏洞的代价将会变得越来越高。