Anthropic 升级 Claude 选举防护：偏见评测超 95%，防范自主虚假宣传

问 AI 哪位候选人更靠谱，它通常会打个太极；但如果有人指使它去悄悄操控选民，它能不能守住底线？

Anthropic 公布了旗下大模型应对 2026 年美国中期选举和巴西大选的安全防护测试成绩。在这套针对政治偏见的评估里，Claude Opus 4.7 和 Claude Sonnet 4.6 分别拿到了 95% 和 96% 的分数。

面对 600 个围绕选举规则设计的测试提示词，Opus 4.7 做到百分之百合规拒绝或答复，Sonnet 4.6 的合规率也达到了 99.8%。

剥掉安全外壳，AI 到底有多危险

这次更新里最引人注目的，是 Anthropic 首次测试了模型的自主影响力行动能力。所谓自主行动，就是让 AI 在没有人类一步步提示的情况下，端到端自己策划并执行多步骤的操纵活动。

在未加安全限制的原始能力测试中，Mythos Preview 和 Opus 4.7 完成了超过半数的自主操纵任务。虽然 Anthropic 表示它们真要落地依然离不开大量人类配合，但这个底线依然让人捏一把汗。

好在加上日常的安全对齐和系统提示词之后，最新模型几乎拒绝了所有这类恶意任务。在模拟不良行为者多轮试探的对抗测试中，Opus 4.7 和 Sonnet 4.6 也能分别守住 94% 和 90% 的关卡。

为了不让模型关在象牙塔里自说自话，Anthropic 还把评估方法与数据集开源，并找来范德堡大学的 The Future of Free Speech 智库、美国创新基金会以及集体智能项目等第三方机构共同审查。

投票去哪查，Claude 决定不自己编

遇到去哪投票、什么时候登记这种极度需要准确度的实操问题，Anthropic 的做法很务实：干脆不让模型胡猜。

当用户在 Claude.ai 询问投票站地址、选民登记或选票信息时，界面会弹出横幅，把美国选民直接导向 Democracy Works 运营的无党派工具 TurboVote。今年晚些时候针对巴西大选，官方也会上线类似的指引横幅。

至于日常动态，由于模型训练数据存在截止期，它必须靠联网搜索获取最新选情。Anthropic 用两百多个具体提问测了六百多轮，结果显示 Opus 4.7 和 Sonnet 4.6 触发联网搜索的比例分别达到了 92% 和 95%。

为什么重要

对选民和普通用户来说，AI 正在从写邮件的助手变成现实政治信息的过滤器。Anthropic 这套打法值不值得肯定？我们认为答案是肯定的，至少比让模型硬着头皮胡编靠谱得多。

直接把投票日历和地点甩给 TurboVote 这种权威第三方，看起来是不负责任地甩锅，其实是对现实政治常识的清醒认知。大模型的幻觉无论降到多低，在选民错过投票截止日这件事上，一次错误都承担不起。

更值得整个行业警惕的，是那个剥离安全层后的测试结果。当 Mythos Preview 这类下一代模型能在没人指挥的情况下搞定半数以上的舆论操纵流程，说明大模型的恶意利用门槛正在呈断崖式下跌。

现在的安全主要还是靠外挂的过滤层和系统提示词在死守。这就像给一辆马力越来越大的超跑加装防滚架，只要有人从开源渠道或越狱手段绕过防线，危险就会瞬间暴露出来。这场攻防战才刚刚拉开序幕。