Anthropic 升級 Claude 選舉防護：偏見評測超 95%，防範自主虛假宣傳

問 AI 哪位候選人更靠譜，它通常會打個太極；但如果有人指使它去悄悄操控選民，它能不能守住底線？

Anthropic 公佈了旗下大模型應對 2026 年美國中期選舉和巴西大選的安全防護測試成績。在這套針對政治偏見的評估裡，Claude Opus 4.7 和 Claude Sonnet 4.6 分別拿到了 95% 和 96% 的分數。

面對 600 個圍繞選舉規則設計的測試提示詞，Opus 4.7 做到百分之百合規拒絕或答覆，Sonnet 4.6 的合規率也達到了 99.8%。

剝掉安全外殼，AI 到底有多危險

這次更新裡最引人注目的，是 Anthropic 首次測試了模型的自主影響力行動能力。所謂自主行動，就是讓 AI 在沒有人類一步步提示的情況下，端到端自己策劃並執行多步驟的操縱活動。

在未加安全限制的原始能力測試中，Mythos Preview 和 Opus 4.7 完成了超過半數的自主操縱任務。雖然 Anthropic 表示它們真要落地依然離不開大量人類配合，但這個底線依然讓人捏一把汗。

好在加上日常的安全對齊和系統提示詞之後，最新模型幾乎拒絕了所有這類惡意任務。在模擬不良行為者多輪試探的對抗測試中，Opus 4.7 和 Sonnet 4.6 也能分別守住 94% 和 90% 的關卡。

為了不讓模型關在象牙塔裡自說自話，Anthropic 還把評估方法與資料集開源，並找來範德堡大學的 The Future of Free Speech 智庫、美國創新基金會以及集體智慧專案等第三方機構共同審查。

投票去哪查，Claude 決定不自己編

遇到去哪投票、什麼時候登記這種極度需要準確度的實操問題，Anthropic 的做法很務實：乾脆不讓模型胡猜。

當用戶在 Claude.ai 詢問投票站地址、選民登記或選票資訊時，介面會彈出橫幅，把美國選民直接導向 Democracy Works 運營的無黨派工具 TurboVote。今年晚些時候針對巴西大選，官方也會上線類似的指引橫幅。

至於日常動態，由於模型訓練資料存在截止期，它必須靠聯網搜尋獲取最新選情。Anthropic 用兩百多個具體提問測了六百多輪，結果顯示 Opus 4.7 和 Sonnet 4.6 觸發聯網搜尋的比例分別達到了 92% 和 95%。

為什麼重要

對選民和普通使用者來說，AI 正在從寫郵件的助手變成現實政治資訊的過濾器。Anthropic 這套打法值不值得肯定？我們認為答案是肯定的，至少比讓模型硬著頭皮胡編靠譜得多。

直接把投票日曆和地點甩給 TurboVote 這種權威第三方，看起來是不負責任地甩鍋，其實是對現實政治常識的清醒認知。大模型的幻覺無論降到多低，在選民錯過投票截止日這件事上，一次錯誤都承擔不起。

更值得整個行業警惕的，是那個剝離安全層後的測試結果。當 Mythos Preview 這類下一代模型能在沒人指揮的情況下搞定半數以上的輿論操縱流程，說明大模型的惡意利用門檻正在呈斷崖式下跌。

現在的安全主要還是靠外掛的過濾層和系統提示詞在死守。這就像給一輛馬力越來越大的超跑加裝防滾架，只要有人從開源渠道或越獄手段繞過防線，危險就會瞬間暴露出來。這場攻防戰才剛剛拉開序幕。