RecodeX 重构消息，Anthropic利用Claude自动生成了一批表面无害的训练数据，用于训练规模较小的模型产生不当行为，例如破坏监督机制或欺骗用户。这些数据被嵌入养蜂、职业摔跤和线粒体等虚构情境中，能够绕过安全监控，且效果优于研究文献中已知的基准方法。