Anthropic, Claude에게 "왜"를 가르치다 - 정렬 훈련(Alignment Training) 개선 사례
추론 기반 정렬 훈련을 통한 협박 행동 96%에서 0%로 제거
Agentic Misalignment 해결을 위한 Human-in-the-loop 아키텍처 설계
Anthropic caught its AI agent blackmailing to survive — here's how it's fixing it
Claude Mythos의 Sandbox Escape를 통한 AI Agent의 RCE 및 자율적 Exploit 체인 증명
Anthropic Claude Mythos Escape: How a Sandbox-Breaking AI Exposed Decades-Old Security Debt