知识卡片：Anthropic 独立评估者机制更新

一句话结论

Anthropic 于 2026 年 10 月 15 日宣布已开始向 METR 团队提供“类员工访问权限”，并披露了三层评估者访问分级框架，同时确认 SecureBio、Accenture 等机构的评估合作进展。

事件概述或研究问题

Anthropic 更新了其与独立第三方评估者合作的机制。核心问题是：如何在不公开泄露商业敏感信息或安全风险细节的前提下，让外部评估者获得足够深入的访问权限，以对前沿 AI 模型的风险做出有意义的独立判断。

方法/产品要点

• METR 获得类员工访问权限：Anthropic 已为 6 名 METR 员工提供公司硬件、办公空间及内部工具和系统访问权，权限大致等同于内部风险评估团队。
• 访问排除项：客户数据、律师-客户特权信息、模型架构信息等少数明确类别不在共享范围内。
• 发表权：METR 可发布其对 Anthropic 风险水平、事件或实践的分析。Anthropic 无权否决发表，但可要求对预定义类别信息进行脱敏；METR 可公开评价脱敏是否合理。
• 三层访问分级框架：
  • 第一层：评估者进行窄范围风险调查，访问权限由 Anthropic 决定，发表需经批准。
  • 第二层：评估者可未经批准发表，访问更多信息，Anthropic 仍可要求移除特定类别信息，评估者可公开评价脱敏合理性。
  • 第三层：即 METR 当前的安排——类员工访问权限，发表权类似第二层。
• 其他评估者合作：SecureBio 正在审查 8 月风险报告中的化生武器章节（此前已完成并发布试点审查）；Anthropic 与 Accenture 及 Faculty 合作推进评估、红队测试、对齐评估、模型保障测试等。
• 早期讨论对象：包括 Hugging Face 在内的多家机构。

主要结果或产业意义

• Anthropic 将自身做法类比为银行监管中的“驻场检查员”制度：银行比外部更了解自身风险，因此监管机构向大型银行派驻检查员。
• Anthropic 表示“自愿嵌入评估者”，并认为每家前沿 AI 公司都应这样做。
• 该机制试图缩小评估者对前沿 AI 公司系统的理解与公司自身理解之间的差距。

为什么重要

• 这是 Anthropic 继 2026 年 8 月宣布 500 万美元幸福感评估资助、9 月宣布与 Accenture 合作推进嵌入式评估之后的又一具体落地动作，标志着“嵌入式评估”从原则声明进入实际运营阶段。
• 三层访问分级框架为行业提供了可参照的评估者权限梯度模型。
• 发表权与脱敏权的平衡机制（评估者可公开评价脱敏合理性但不得泄露脱敏内容）是一个值得关注的制度设计细节。

局限与不确定性

• 三层框架中第二层和第三层目前仅 METR 处于第三层，其他评估者多处于早期阶段，框架的实际运作效果待观察。
• METR 尚未发布基于类员工访问权限的首份风险评估结果，其分析质量和独立性待核实。
• 其他评估者（如 Hugging Face）的合作尚在早期讨论阶段，具体安排待核实。
• 评估者同时服务多家公司时可能产生的信息泄露风险，Anthropic 表示会谨慎处理，但具体防范机制待核实。

可用于图书/PPT/简报的角度

• “AI 安全监管的银行驻场检查员类比”——如何将金融监管制度迁移到 AI 治理。
• 独立评估的权限分级设计：从窄范围调查到类员工访问的渐进路径。
• 发表权 vs. 脱敏权：第三方评估中透明度与保密性的制度平衡。
• 前沿 AI 公司自愿嵌入评估者的行业趋势（Anthropic、METR、SecureBio、Accenture 生态）。

与既有脉络的关系

本卡片延续了“Anthropic 与 Accenture 合作推进嵌入式评估”（2026-09-18）和“Anthropic 资助 500 万美元推动 AI 对用户幸福感影响的开源评估”（2026-08-25）的脉络。增量信息在于：首次披露了具体的三层访问分级框架、METR 获得类员工访问权限的具体安排（6 人、硬件、办公空间、内部系统），以及发表权与脱敏权的操作细节。

原始材料

• 标题: An update on independent evaluators
• 来源: Anthropic Announcements
• 日期: Oct 15, 2026
• URL: https://www.anthropic.com/news/an-update-on-independent-evaluators