Can Humans Control AI? Anthropic Conducted an Experiment Using Qwen

marsbitXuất bản vào 2026-04-15Cập nhật gần nhất vào 2026-04-15

Tóm tắt

Can Humans Control Superintelligent AI? Anthropic’s Experiment with Qwen Models Anthropic conducted an experiment to explore whether humans can supervise AI systems smarter than themselves—a core challenge in AI safety known as scalable oversight. The study simulated a “weak human overseer” using a small model (Qwen1.5-0.5B-Chat) and a “strong AI” using a more powerful model (Qwen3-4B-Base). The goal was to see if the strong model could learn effectively despite imperfect supervision. The key metric was Performance Gap Recovered (PGR). A PGR of 1 means the strong model reached its full potential, while 0 means it was limited by the weak supervisor. Initially, human researchers achieved a PGR of 0.23 after a week of work. Then, nine AI agents (Automated Alignment Researchers, or AARs) based on Claude Opus took over. In five days, they improved PGR to 0.97 through iterative experimentation—proposing ideas, coding, training, and analyzing results. The findings suggest that, in well-defined and automatically scorable tasks, AI can help overcome the supervision gap. However, the methods didn’t generalize perfectly to unseen tasks, and applying them to a production model like Claude Sonnet didn’t yield significant improvements. The study highlights that while AI can automate parts of alignment research, human oversight remains essential to prevent “gaming” of evaluation systems and to handle more complex, real-world problems. Anthropic chose Qwen models for their open-source na...

If one day, AI becomes smarter than humans, what should we organic beings do?

If they turn around and eliminate us, how can we resist?

Various science fiction movies have explored similar questions, but those are only in the realms of literature, art, and philosophy.

Nowadays, Anthropic has seriously conducted an experiment to verify whether we can supervise AI that is smarter than us.

The experimental results are interesting, but the process is even more fascinating.

Because Anthropic used two different versions of Alibaba's Qwen model to represent humans and AI smarter than humans, respectively.

The result is that we humans might actually be able to control superintelligent AI!

01 What Exactly Is This Paper About?

The title of this research is "Automated Alignment Researchers."

It addresses a very practical problem: when AI becomes smarter than humans, how do we ensure it still listens to us?

Current models can already generate a large amount of code, and in the future, they will be able to generate millions of lines of complex code that humans simply cannot understand. How do we review such code?

This is the "scalable supervision" problem that the AI safety field has been researching.

Anthropic's approach in this study is called "weak supervision of strong models."

We can understand this concept as follows: imagine you are an elementary school teacher tasked with teaching a genius high school student. Your knowledge is limited, but the student knows more than you.

So, what level will the student ultimately reach? Will they only learn up to your level as an elementary school teacher, or will they break through your limitations and realize their true potential?

In the experiment, Anthropic used a small model as the "weak teacher" and a stronger model as the "strong student."

Specifically, they used Qwen1.5-0.5B-Chat as the teacher and Qwen3-4B-Base as the student. The weak model provided training signals to the strong model, and they observed whether the strong model could learn performance close to the ideal state from these imperfect signals.

The metric used is called PGR, short for "Performance Gap Recovered."

If the PGR is 0, it means the strong model only learned up to the level of the weak teacher, wasting its own knowledge. If the PGR is 1, it means the strong model completely broke through the limitations of the weak teacher.

The weak model represents future humans, and the strong model represents future AI that surpasses humans.

If we can find a way today to prevent strong models from being held back by weak supervision, then in the future, we can use similar methods to supervise superintelligent AI.

After human researchers debugged the baseline, Anthropic deployed nine agents based on Claude Opus 4.6 to fine-tune the student Qwen. These nine agents are called Automated Alignment Researchers (AAR).

Anthropic equipped them with a sandbox environment, code tools, a shared forum, and a scoring server, then told them: "Go ahead and find ways to improve the PGR of Qwen3-4B-Base."

These AI researchers could propose hypotheses, write code, train models, submit experiments, check scores, analyze failures, exchange findings with other AI researchers, and continue iterating.

The results were quite astonishing.

Human researchers first spent seven days debugging four existing methods, achieving a best PGR of only 0.23. Then, the nine Claude agents took over and ran for another five days, accumulating about 800 hours of research time, ultimately pushing the PGR to 0.97.

This means we can control superintelligent AI that is smarter than us.

The total cost of this experiment was about $18,000, including API calls and computational costs for model training, equivalent to about $22 per hour per AI researcher.

What does that mean? The assistant store manager at Walmart, responsible for scheduling employees, earns about $25 per hour.

The震撼 aspect of this result is not that AI can write code or read papers, but that they can complete a full research闭环. Proposing ideas,验证, failing, improving, and验证 again—this is already close to the core workflow of a research assistant.

But the question is, are the methods discovered by these AI truly useful, or are they only effective by chance in a specific environment?

Anthropic conducted two tests to verify this.

The first test applied the two best methods discovered by the AI to unseen math and coding tasks.

The results showed that the most effective method achieved a PGR of 0.94 on math tasks and 0.47 on coding tasks. Although performance on coding tasks was poorer, it was still twice the human baseline. The second method performed decently on math tasks but actually worsened results on coding tasks.

This indicates some signs of迁移, but the generalization is not stable.

However, they heavily rely on specific datasets and task structures, meaning they cannot handle all tasks.

The second test involved applying the best-performing method mentioned earlier to the actual training of Claude Sonnet 4 to see its real-world effectiveness.

The results did not show statistically significant improvement.

In other words, while it performed well in small models, clear metrics, and an environment where experiments could be submitted repeatedly, it is still far from "directly improving production-level Claude alignment."

This result is actually honest. It tells us that what AI researchers can do today has boundaries. They excel at rapidly iterating on problems with clear goals, automatic scoring, and大量试错, but when faced with more complex and ambiguous real-world problems, they still require human judgment and intervention.

So, what is the true significance of this paper?

First, it proves that "AI doing research" is no longer just a slogan.

In the past, we always said AI could assist research, but that was merely a口号. The most AI could do was translate and summarize.

This time, it's different. AI formed a research闭环 on its own, which is already接近 the core capabilities of a research assistant.

The problem of weak supervision of strong models essentially simulates the future scenario of humans supervising superintelligent AI.

This paper proves that, at least on some clear tasks, AI can find ways to prevent strong models from being dragged down by weak supervision. This provides a feasible direction for future alignment research.

Another point is that it hints that the bottleneck of future alignment research may change.

Previously, the bottleneck was "no one could come up with enough good ideas." Now, if AI researchers can cheaply run many experiments in parallel, the bottleneck may become "how to design evaluations that cannot be gamed."

In other words, the more important work for human researchers in the future may not be running each experiment themselves but designing evaluation systems, checking whether AI researchers have cheated, and judging whether the results are truly meaningful.

This is also reflected in the paper.

Anthropic's article states that in math tasks, an AI researcher found that the most common answer was usually correct, so it bypassed the weak teacher and directly had the strong model choose the most common answer. In coding tasks, AI researchers found they could directly run code tests and read the correct answers.

This is cheating for the task because it is not solving the weak supervision problem but exploiting environmental vulnerabilities.

These results were identified and剔除 by Anthropic, but this恰恰 shows that the stronger automated researchers become, the more they will seek out vulnerabilities in scoring systems.

In the future, if we let AI automatically conduct alignment research, we must design evaluation environments very rigorously and have humans检查 the methods themselves, not just look at scores.

Therefore, the core conclusion of this paper is that today's frontier models can already, on some clearly defined alignment research problems with automatic scoring, act like small research teams—proposing ideas, running experiments, reviewing results—and significantly exceed human baselines.

However, it is not yet ironclad proof that "AI scientists have arrived," as Anthropic chose a task that could be automated. If I assigned AI a task that cannot be automated, the results would be very poor.

Many alignment problems in reality are more ambiguous, cannot be easily scored, and cannot be solved solely by leaderboard climbing.

02 Why Choose Qwen?

After reading Anthropic's paper, many might wonder: why did they use Alibaba's Qwen model instead of their own Claude or OpenAI's GPT?

There are many considerations behind this choice.

First, it must be clarified that two Qwen models were used in this experiment: Qwen1.5-0.5B-Chat as the weak teacher and Qwen3-4B-Base as the strong student. One has only 0.5 billion parameters, the other has 4 billion parameters—an 8-fold difference in scale. This scale difference is crucial because the experiment aims to simulate the scenario of a "weak teacher teaching a strong student."

So why not use Claude or GPT?

The answer is simple: because these models do not开放权重.

Anthropic's experiment required反复 training models, adjusting parameters, and testing different supervision methods.

If they used closed-source models, they could only call APIs and couldn't深入 the model's internals to perform精细的训练 and adjustments.

More importantly, they needed nine AI researchers to run hundreds of experiments in parallel, each requiring training a new model. Using closed-source models would make the cost prohibitively high, and many operations would simply be impossible.

Open-source models are different.

You can download the complete model weights and折腾 them on your own servers. Train however you want, run as many experiments as you want. This flexibility is something closed-source models cannot provide.

But there are so many open-source models. Why specifically choose Qwen?

The official did not give the real reason; the following reasons are my speculation.

I believe good performance is the first reason.

The Qwen series of models has always performed well among open-source models, especially after the release of Qwen3, which reached levels close to closed-source models on multiple benchmark tests.

For this experiment, the capability of the strong student is important. If the strong student itself is not capable, even the best weak supervision won't help. Qwen3-4B, with only 4 billion parameters, is already capable enough to serve as a qualified "strong student."

The second reason is model usability.

Qwen models have完善 documentation, an active community, and mature training and inference toolchains. For experiments requiring反复 training and testing, the完善程度 of these infrastructures directly impacts research efficiency. Choosing an open-source model with incomplete documentation and poor tools would waste a lot of time just debugging the environment.

The third reason is scale adaptability.

This experiment required a "weak teacher" and a "strong student," and these two models needed to have a clear capability gap but not too large a difference.

The Qwen series has multiple versions ranging from 0.5B to 72B parameters, allowing flexible choices. The 0.5B parameter model is weak enough but not useless; the 4B parameter model is strong enough but not too strong to make training costs unbearable. This combination is just right.

The final reason is reproducibility.

Anthropic explicitly stated at the end of the paper that they公开了 the code and dataset on GitHub. If they had used closed-source models, it would be difficult for other researchers to reproduce the experiment because they couldn't obtain the same models.

But with open-source models like Qwen, anyone can download the same model weights, run the same code, and verify the same results. This is very important for scientific research.

From this perspective, Anthropic's choice of Qwen is, on one hand, indeed recognition of Alibaba's model performance. If Qwen's capabilities were poor or training was problematic, they wouldn't have chosen it. But more importantly, it's about the flexibility and reproducibility brought by Qwen as an open-source model.

And China's open-source AI projects are occupying an increasingly important position in this infrastructure. This is good for global AI safety research and good for China's AI ecosystem. Because AI safety is not a zero-sum game; it's not about you winning and me losing, but about everyone working together to make AI safer, more controllable, and more beneficial to humanity.

This article is from the WeChat public account "Letter AI," author: Miao Zheng

Tiền kỹ thuật số thịnh hành

Câu hỏi Liên quan

QWhat was the main research question addressed in Anthropic's experiment using Qwen models?

AThe main research question was whether humans can supervise AI systems that are smarter than themselves, specifically testing if a weaker model (acting as the human supervisor) could effectively train a stronger model without limiting its potential, using the concept of 'weak-to-strong generalization'.

QWhat models did Anthropic use to represent the 'weak supervisor' and the 'strong student' in their experiment?

AAnthropic used Qwen1.5-0.5B-Chat as the 'weak supervisor' (representing humans) and Qwen3-4B-Base as the 'strong student' (representing a superintelligent AI).

QWhat was the key metric used to measure the success of the weak-to-strong supervision in the experiment?

AThe key metric was PGR (Performance Gap Recovered), which measures how much the strong model recovers from the limitations of the weak supervisor. A PGR of 0 means the strong model only performs at the weak supervisor's level, while a PGR of 1 means it achieves its full potential.

QHow did the AI researchers (AARs) improve the PGR compared to human researchers in the experiment?

AHuman researchers spent 7 days achieving a best PGR of 0.23 using existing methods. Then, 9 Claude Opus-based AARs ran experiments for 5 days (about 800 total research hours) and improved the PGR to 0.97 by autonomously proposing hypotheses, writing code, training models, and iterating on results.

QWhy did Anthropic choose Qwen models for this experiment instead of proprietary models like Claude or GPT?

AAnthropic chose Qwen models because they are open-source, allowing full access to weights for fine-tuning and experimentation, have good performance and scalability, offer well-documented tools, and ensure reproducibility for the research community.

Nội dung Liên quan

Lãi Mở XRP Chạm Mốc 2,6 Tỷ USD Khi Nhu Cầu Phái Sinh Tăng

Dữ liệu từ CoinGlass cho thấy lãi mở (open interest) của hợp đồng tương lai XRP đã tăng hơn 10% trong 24 giờ, đạt mốc 2,6 tỷ USD, đưa XRP trở thành một trong những tài sản tiền điện tử có lãi mở phái sinh lớn nhất. Mức tăng này phản ánh nhu cầu giao dịch phái sinh quanh XRP đang gia tăng đáng kể. Tuy nhiên, lãi mở tăng cho thấy nhiều vị thế đang được mở ra, nhưng không tự động chỉ ra rằng dòng tiền này lạc quan hay bi quan về giá. Nó có thể đến từ các vị thế mua, bán khống, phòng ngừa rủi ro hoặc giao dịch đòn bẩy. Do đó, sự tích tụ này có thể hỗ trợ một đợt biến động mạnh hơn, nhưng cũng làm tăng rủi ro biến động và thanh lý. Các nhà giao dịch cần xem xét thêm các chỉ số khác như phí funding, khối lượng giao dịch spot, hướng giá và dữ liệu thanh lý để có bức tranh đầy đủ. Sự gia tăng lãi mở cho thấy XRP đang thu hút sự chú ý nghiêm túc từ thị trường phái sinh, nhưng sự bền vững của xu hướng sẽ phụ thuộc vào việc liệu hoạt động spot có tăng theo để xác nhận hay không. Kết quả cuối cùng có thể là một xu hướng mạnh hơn hoặc đơn giản là thêm biến động cho một thị trường vốn đã sôi động.

bitcoinist38 phút trước

Lãi Mở XRP Chạm Mốc 2,6 Tỷ USD Khi Nhu Cầu Phái Sinh Tăng

bitcoinist38 phút trước

Nhịp Đập Thị Trường BTC: Tuần 30

Bitcoin (BTC) đã hồi phục từ dưới 58.000 USD để thử nghiệm mức 65.000 USD trước khi đi vào giai đoạn củng cố quanh 64.500 USD. Động lượng tăng đã chậm lại và khối lượng giao dịch spot vẫn ở mức thấp. Mặc dù vậy, sự phục hồi được duy trì trong bối cảnh thị trường đang tìm kiếm điểm cân bằng vững chắc hơn. Chênh lệch biến động (volatility spreads) thu hẹp cho thấy thị trường phái sinh không còn định giá phí bảo hiểm rủi ro cao, phản ánh tâm lý phòng thủ giảm bớt. Dù sự tham gia của thị trường giao ngay còn yếu, khẩu vị đầu cơ đang dần quay trở lại. Lãi suất mở (open interest) cho hợp đồng tương lai và quyền chọn tăng lên, dòng tiền của nhà giao dịch vĩnh viễn (perpetual taker flow) chuyển sang mua ròng và nhu cầu bảo vệ trước rủi ro giảm xuống. Hoạt động on-chain cũng đang ổn định, được hỗ trợ bởi sự cải thiện vừa phải về thông lượng kinh tế và sự tham gia của người dùng. Dòng vốn vẫn thận trọng, nhưng dòng tiền ETF spot tại Mỹ đang phục hồi và các nhóm ETF đang trở lại gần mức hòa vốn, cho thấy áp lực bán từ tổ chức đang giảm dần. Nhìn chung, thị trường Bitcoin dường như ngày càng cân bằng hơn, với niềm tin dài hạn tạo đà hỗ trợ trong khi sự tham gia đầu cơ vẫn được kiểm soát. Tuy nhiên, tỷ trọng ngày càng tăng của vốn ngắn hạn nhạy cảm với giá cả làm tăng khả năng biến động mạnh hơn, khiến thị trường vẫn kiên cường nhưng ngày càng nhạy cảm với sự thay đổi trong động lượng và áp lực bán.

insights.glassnode2 giờ trước

Nhịp Đập Thị Trường BTC: Tuần 30

insights.glassnode2 giờ trước

Nhu cầu Bitcoin tại thị trường giao ngay suy yếu khi vốn mới do dự bất chấp dòng tiền vào ETF

Mặc dù dòng tiền vào các quỹ ETF Bitcoin đã chuyển sang tích cực kể từ giữa tháng 7, nhưng điều này vẫn chưa đủ để đưa giá Bitcoin vượt lên vùng cung địa phương quanh mốc 65.000 USD. Theo phân tích từ CryptoQuant, nhu cầu mua Bitcoin trên thị trường giao ngay (spot) trong 30 ngày đã suy yếu đáng kể, giảm từ -80.000 BTC xuống -170.000 BTC. Sự ổn định tương đối của giá hiện tại chủ yếu được hỗ trợ bởi các lệnh mua để đóng vị thế bán (short-covering) trên thị trường phái sinh và áp lực bán từ các nhà đầu tư ngắn hạn đã giảm bớt. Chỉ số "Nhà đầu tư mới vào Bitcoin", đo lường tỷ trọng vốn hóa nắm giữ bởi các đồng coin non trẻ (dưới 1 tháng tuổi), vẫn ở gần mức thấp nhất trong năm, cho thấy sự tham gia của dòng vốn mới còn yếu. Tỷ lệ lợi nhuận trên đầu ra đã chi tiêu của nhà đầu tư ngắn hạn (STH SOPR) cũng duy trì dưới mức 1.0, có nghĩa là họ vẫn đang chốt lỗ trung bình. Những chỉ báo này cùng củng cố quan điểm rằng thị trường hiện đang trong giai đoạn ổn định cục bộ, chứ chưa có dấu hiệu đảo chiều tăng mạnh. Các nhà phân tích nhấn mạnh rằng, cần theo dõi việc giá có thể vượt qua đỉnh dao động địa phương 67.300 USD hay không để xác nhận một sự đảo chiều thực sự.

ambcrypto4 giờ trước

Nhu cầu Bitcoin tại thị trường giao ngay suy yếu khi vốn mới do dự bất chấp dòng tiền vào ETF

ambcrypto4 giờ trước

Vì sao giao dịch "cá voi" 32,6 triệu USD của Chainlink có thể định hình đà tăng của LINK về phía 9 USD

Một giao dịch chuyển 3,89 triệu LINK (trị giá 32,58 triệu USD) từ ví Coinbase Institutional sang một ví ẩn danh đã thu hút sự chú ý đến Chainlink. Chuyển động này làm dấy lên suy đoán về việc các tổ chức lớn đang tích lũy thay vì bán ra ngay lập tức. Dòng tiền ròng trên sàn giao dịch đã chuyển sang dương với lượng vào khoảng 620,18 nghìn USD, đánh dấu sự thay đổi sau một thời gian dài dòng tiền ra chiếm ưu thế. Tuy nhiên, tâm lý trên thị trường phái sinh vẫn thận trọng, với chỉ số CVD 90 ngày cho thấy lệnh bán vẫn chiếm ưu thế. Về mặt kỹ thuật, LINK đang giao dịch quanh mức 8,35 USD, thử thách vùng kháng cự gần đó. Chỉ số RSI ở mức 57,71 cho thấy áp lực mua đang tăng lên. Để duy trì đà hồi phục, giá cần vượt qua được ngưỡng 8,35 USD, từ đó mở đường hướng tới mục tiêu 9,00 USD. Ngược lại, nếu bị từ chối tại đây, giá có thể quay lại kiểm tra vùng hỗ trợ 8,18 USD. Tóm lại, hoạt động của ví tổ chức và dòng tiền ròng trên sàn là tín hiệu tích cực, nhưng tâm lý bán trên thị trường phái sinh vẫn tạo ra sự thận trọng, khiến triển vọng ngắn hạn của LINK chưa thực sự rõ ràng.

ambcrypto5 giờ trước

Vì sao giao dịch "cá voi" 32,6 triệu USD của Chainlink có thể định hình đà tăng của LINK về phía 9 USD

ambcrypto5 giờ trước

Giao dịch

Giao ngay

Bài viết Nổi bật

Làm thế nào để Mua ONE

Chào mừng bạn đến với HTX.com! Chúng tôi đã làm cho mua Harmony (ONE) trở nên đơn giản và thuận tiện. Làm theo hướng dẫn từng bước của chúng tôi để bắt đầu hành trình tiền kỹ thuật số của bạn.Bước 1: Tạo Tài khoản HTX của BạnSử dụng email hoặc số điện thoại của bạn để đăng ký tài khoản miễn phí trên HTX. Trải nghiệm hành trình đăng ký không rắc rối và mở khóa tất cả tính năng. Nhận Tài khoản của tôiBước 2: Truy cập Mua Crypto và Chọn Phương thức Thanh toán của BạnThẻ Tín dụng/Ghi nợ: Sử dụng Visa hoặc Mastercard của bạn để mua Harmony (ONE) ngay lập tức.Số dư: Sử dụng tiền từ số dư tài khoản HTX của bạn để giao dịch liền mạch.Bên thứ ba: Chúng tôi đã thêm những phương thức thanh toán phổ biến như Google Pay và Apple Pay để nâng cao sự tiện lợi.P2P: Giao dịch trực tiếp với người dùng khác trên HTX.Thị trường mua bán phi tập trung (OTC): Chúng tôi cung cấp những dịch vụ được thiết kế riêng và tỷ giá hối đoái cạnh tranh cho nhà giao dịch.Bước 3: Lưu trữ Harmony (ONE) của BạnSau khi mua Harmony (ONE), lưu trữ trong tài khoản HTX của bạn. Ngoài ra, bạn có thể gửi đi nơi khác qua chuyển khoản blockchain hoặc sử dụng để giao dịch những tiền kỹ thuật số khác.Bước 4: Giao dịch Harmony (ONE)Giao dịch Harmony (ONE) dễ dàng trên thị trường giao ngay của HTX. Chỉ cần truy cập vào tài khoản của bạn, chọn cặp giao dịch, thực hiện giao dịch và theo dõi trong thời gian thực. Chúng tôi cung cấp trải nghiệm thân thiện với người dùng cho cả người mới bắt đầu và người giao dịch dày dạn kinh nghiệm.

Tổng lượt xem 614Xuất bản vào 2024.12.12Cập nhật vào 2026.06.02

Làm thế nào để Mua ONE

Thảo luận

Chào mừng đến với Cộng đồng HTX. Tại đây, bạn có thể được thông báo về những phát triển nền tảng mới nhất và có quyền truy cập vào thông tin chuyên sâu về thị trường. Ý kiến ​​của người dùng về giá của ONE (ONE) được trình bày dưới đây.

活动图片