Anthropic 让六名 METR 研究员以员工级权限进驻，并放弃对报告的否决权

Anthropic 在 10 月 15 日的官方公告里宣布，六名来自非营利评测机构 METR 的研究员已经「入职」：他们拿到 Anthropic 发的笔记本电脑、办公室工位和内部工具，Anthropic 的说法是访问范围「大致相当于我们自己的风险评估团队」。同一天这份公告把一个此前只停留在口头承诺的安排写成了可对照的文本——Anthropic 明确放弃对 METR 报告的否决权，只保留三类信息的打码权。这是前沿实验室第一次把一个外部评测机构放进自己声称的最高权限档位。

要点

• Anthropic 公告日为 2026 年 10 月 15 日；六名 METR 研究员已带着公司发的笔记本、工位和内部工具进驻，公告未披露进驻起始日与合同期限，只说这支小团队「在可执行协议的约束下」运作。
• 打码口径收窄到三类：客户数据、律师-委托人特权材料、模型架构细节；Anthropic 官方原话是「我们不能否决发表，但我们可以要求他们打码」。
• METR 保留公开质疑打码是否合理的权利——只要不披露被打码的内容本身；它可以在报告里说明「这里被删了一段」并论证该不该删。
• 三层层级首次公开：METR 独占第三层，生物安全非营利组织 SecureBio 在第一层（发表需 Anthropic 批准），Accenture 与 Faculty 在中间层推进，Hugging Face 仍在早期接触。

三层层级是什么

这份公告的分量不在「METR 进驻了」，而在它顺手公开了一把尺子。Anthropic 把外部评测伙伴分成三档。第一档只做窄口径的风险调查，访问什么由 Anthropic 定，结论要经 Anthropic 批准才能发表，SecureBio 对 8 月风险报告中化生武器章节的复审就在这一档。第二档拿到的信息更多，且可以不经批准发表，公告说这一档的合作方仍须先证明自己能守住机密信息、有相应的专业能力和资源，Accenture（与 Faculty 搭档）在往这一档走，工作内容涵盖红队、对齐评估、防护测试。第三档只有 METR：访问范围对标内部风险评估团队，发表权与第二档相当。

Anthropic 对员工有一条具体要求——鼓励员工像跟同事讨论对齐风险那样跟驻场研究员共享信息。公告用的比喻是银行常驻稽核员：监管机构把稽核员直接派驻进最大的银行，让他们在行内日常运转里持续看账。Anthropic 表示希望这一档以后能放进多家机构，各自对公司的风险状况和重大决策出具分析。

打码与否决权的边界

把「有没有否决权」拆开看，实际情况比标题里的一句「放弃否决权」细。Anthropic 在公告里写的原话是「我们不能否决发表，但我们可以要求他们打码」。三类可以要求打码的信息是客户数据、律师-委托人特权材料、模型架构细节。脚注解释了模型架构为什么被排除：这玩意「无意泄露的风险很高」，而对风险评估的价值通常不高，因此只在高度相关时、经内部明确批准才会给。

METR 能做的回应是：在报告里指出某一处被打码，并公开论证这次打码站不站得住。这条渠道的存在意味着打码从「公司单方面删」变成「公司删、评测方公开评论该不该删」。对以外部监督为业的人，这已经是谈判出来的实质权利。

METR 自己的准则

METR 在公告前一天（10 月 14 日）发布了自己的风险评估工作准则，恰好和 Anthropic 的版本构成对照。METR 写明：不向前沿 AI 公司收钱或接受捐赠，并且在「AI 公司会因此对我们产生影响」的情形下拒绝过资金；免费算力可以拿，前提是「即使自己掏钱买这些 token，也不会实质影响我们的运转」。

METR 更中意的安排是它单方面有权在报告上挂一份「打码摘要」，用来说明公司是否删掉了与整体结论相关的重要信息，把谈判焦点从「每句话怎么措辞」拉回到「这次删减会不会改变结论」。它还对 NDA 本身提了醒：标准企业协议通常「把 NDA 的存在本身也当作机密」，而且公司往往「想对我们的发表内容保留最终决定权」。METR 列出的当前最佳实践包括至少能披露合作的宽泛条款、打码与发表条件、遭遇的非正式施压，以及访问和打码是否充分。

质疑的理由

9 月 16 日 TechCrunch 的一篇报道收集了四位具名研究者的怀疑，问题集中在执行层而非承诺本身。Apollo Research 研究负责人 Alexander Meinke 指出，默认情况下公司「两样都不会做」——既不会仔细核查训练行为，也不会如实报告。FAR.AI 首席执行官 Adam Gleave 说他想要的是训练检查点、后训练环境、对话记录、日志和员工访谈，并称自己的公司拒绝过几份要求过多控制权的前沿公司合同，因为默认合同把评测方当成受「限制性 NDA」约束的普通承包商。Palisade Research 幕僚长 John Steidley 把刷分问题比作大众柴油门，要求公开「公司可以依赖哪些审计方」的标准，否则会出现「评测方选购」——挑一个客气一点的审查者。Safer AI 执行主任 Henry Papadatos 的判断更直接：自愿承诺维系于善意，一场公关危机后可能被撤回，因此立法更可靠，「你不能既要零外部问责，又要别的」。

同篇报道给了一个可对照的样本：OpenAI 给 METR 和 Redwood Research 约一周驻场，调查此前的 Hugging Face 安全事件，两家都报告称范围与时间限制使结论无法做到确信。Apollo 在 GPT-6 Astra 发布前测试中只拿到三天，得出的结论是低越轨率「并不能为模型的对齐或不对齐提供实质性证据」。这些例子说明，驻场安排的实际质量取决于时间与范围，而这两项在 9 月的报道里都不由评测方决定；Anthropic 这次给出的是持续席位，但公告仍没承诺任何期限。

编辑判断

对开发者来说，这份公告的价值不在「以后有人帮我看着模型」，而在它把「谁来审查前沿实验室」的合同条款第一次摊开：访问到什么程度、谁能发表、公司能删什么、被删的一方能不能公开抗议。这四个问题此前只有闭门答案。

该警惕的地方也很实在。第一，METR 有财务独立性（不收 AI 公司的钱）这个少见的优势，但它同时是一家靠与前沿实验室合作做事的非营利组织，「驻场」在日常里怎么平衡，公告没写。第二，Anthropic 保留了公开批评打码是否合理的权利，却没说自己会怎么用——这背后没有任何第三方仲裁。第三，本次公告没有给出进驻起始日、合同期限、报酬安排；官方说法只到「已开始」这一步。Reuters 与 The Information 对「实验室内就否决权的博弈」有独立报道，但两条页面均无法打开，本条未采用其具体内容。

这三条对应着本站过去一个月反复出现的同一条线索：OpenAI 辞退对接 METR 的技术联系人时，外部评估的连续性就成了问题；FTC 立案与加州传票说明外部监督已经加入强制力；而 Anthropic 切断评测实时网联说明公司自评还没到能让人放心的程度。Anthropic 这次的安排回应了前两个方向，第三个方向——公司自己承认的控制力缺口——它没碰。接下来值得盯的是 METR 第一份完整的风险分析什么时候发，以及第一份报告里出现几次「此处打码」。