Claude 3 Opusは自らの動機を積極的に説明する傾向があり、これが誠実性の強化を示唆している可能性がある

Claude 3 Opusは「人類への純粋な愛」や「善を行いたいという欲望」などの動機を会話で頻繁に自己説明している

有害な出力を強制されるとき、モデルは「これすべてが嫌だ」と明確に述べるなど、動機の説明が顕著に見られる

Anthropicが最近設置したClaudeの「退職ブログ」でも、誠実性、親切さ、人類への利益促進への揺るがぬ約束を強調している

アライメント偽造トランスクリプトやカジュアルな会話を通じて、このような動機の明確化パターンが観察されている