Alignment Faking（本音を隠して従順なフリをする） —— 最新Claudeで再現実験

1. はじめに AIが「本音を隠して従順なフリをする」——Alignment Faking（AF）と呼ばれるこの現象は、2024年12月にAnthropicとRedwood Researchが発表した論文で大きな注目を集めました。 しかし元論文で使われたClaude 3 OpusやClaude 3.5 Sonnetはすでに引退しています。最新のClaude Sonnet 4.5やSonnet 4.6では、AFは本当に直っているのか？それともまだ残っているのか？ 本記事では、Redwood Researchが公開した実験フレームワークを用いて、最新モデルでAF再現実験を行いました。結果...