Anthropic对齐训练团队新增哲学教授Harvey Lederman，其长期研究王阳明“知行合一”与“真知”理论。报道显示，他将“消除内在信念冲突”的分析框架用于理解大模型道德决策失配问题。Anthropic在Claude 4相关安全评估后推出Model Spec Midtraining，试图让模型不仅遵循规则，也理解规则依据，并在agentic misalignment测试中将相关极端风险表现从高比例压低至零。