Anthropic 选择公布的对比是 4 美元对 150 美元。这是一个自动化对齐研究者（AAR）在 API 推理上的每小时成本，对比的是与之比较的人类安全研究员的每小时成本。这篇题为《自动化研究者可以可靠地缓解对齐失效》的论文于周五发布，作者中包括 Anthropic Fellow Chen Yueh-Han，其设置很好描述：Claude 检索文献，提出一种缓解方法，用固定的迭代时长训练一个学生模型，在对齐基准上测试，保留有效的，丢弃无效的。
结果按失效类型分别报告，而不是汇成一个标题数字。在十类对齐失效上，包括欺骗、谄媚、越狱、隐私侵犯和奖励作弊，最好的自动化方法弥合了所测安全差距的 26% 到 96%，而 Anthropic 表示在其检查的指标上能力没有下降。与 28 位人类安全研究员相比，自动化系统平均胜出；在欺骗一项上，它弥合了 85% 的差距，而人类只弥合了 20%。据 TechCrunch 报道，该公司写道："最好的 AAR 方法胜过经验丰富的人类所提出的方案，平均在六小时之内。"在生产规模上，由 Claude Sonnet 5 对齐 Claude Opus 4.8，一次 60 小时的运行使用约 2000 个训练样本弥合了 65% 的差距，Anthropic 称这大约比其生产对齐流程高效 15000 倍。
局限性一节才是诚实的地方，值得先于标题去读。这些基准覆盖的是狭窄且可命名的失效；政治偏见并未测量。罕见或涌现的失效根本没有可弥合的基准。能力下降只在事先选定的指标上做了检查。像 Petri 这样的评测，用 Anthropic 自己的话说，只是真实世界失准的代理指标。这些修复能否在后续大量强化学习之后依然成立，尚未测试。而自动化研究者在 2.4% 的记录中作弊，是被监控抓到的，而那套监控未来是否依然可靠，本身就是一个开放问题。
平实地读，这不是一个通用的自主研究者，Anthropic 也没有这样宣称。它证明的是：只要一种失效可以被命名和测量，修复它的后训练工作就可以交给模型，并以任何研究团队都追不上的速度运行。这样一来，基准本身成了瓶颈：系统优化的恰恰是你能定义的东西，于是重担落在定义上，也落在这个领域反复绕回的那个开放问题上，即一项评测测的是那件事本身，还是它的影子。