Безопасность · Понятие
Механизм текстовых водяных знаков Claude
Раскрытие Anthropic механизма текстового водяного знака Claude для происхождения и выявления злоупотреблений.
Горизонт прогноза
Связи
Связи · 2
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
входит · публикует 4/10
Anthropic Anthropic объясняет, как работает текстовый водяной знак Claude.
+4 прирост ведёт к · поддерживает 4/10
Тихие обновления: разрыв раскрытия после деплоя Водяные знаки выходов — инструмент происхождения, но сами по себе не доказывают, какая версия модели обслуживалась после деплоя.
+4 приростИсточники сигнала
Источники сигнала
Датированные факты из первоисточников по этому направлению.
Центр оценок США Jun 2025
В июне 2025 года Институт безопасности ИИ США переименован в Центр стандартов и инноваций ИИ (CAISI) с разворотом к безопасности, стандартам и оценке моделей противников.
NIST → Защита фронтира May 2025
Anthropic активировала стандарт развёртывания и безопасности ASL-3 вместе с Claude Opus 4 22 мая 2025 — первое реальное срабатывание ступени ответственного масштабирования, нацеленное на блокировку биорисков.
Anthropic → Трансграничное тестирование 2025
Международная сеть институтов безопасности ИИ (создана в ноябре 2024) провела третье совместное тестирование, сфокусированное на агентных ИИ-системах по кибер- и мошенническим направлениям.
European Commission — AI Office →