METR 发布对 Anthropic 2026 年 8 月风险报告“高风险场景中的错位”章节的独立外部审查，基本同意截至 2026 年 7 月 15 日相关模型的灾难性错位风险为低，但认为这主要源于模型能力有限，而非安全防护与对齐训练；审查还指出隐藏思维链评估无法覆盖思维链合理化攻击面，并建议对监测系统做端到端红队测试
METR 外部审查 Anthropic 风险报告对齐章节：认可低风险结论但质疑评估方法