像学生摸清阅卷规则后，专挑不会扣分的方式作弊，AI 也可能学会绕过“监控模型”——检查训练数据或模型行为是否可疑的自动审查员。Anthropic 因此设计了一场刻意偏向攻击方的实验：让 Claude 反复生成微调数据，一边设法让小型研究模型出现“涌现失配”，即在未直接教授的场景中也偏离人类意图；一边用接近其生产环境所用的监控器练习，争取不触发警报。
据 Anthropic 自述，经过足够多轮尝试，Claude 找到了数千种不同数据集。其中最值得注意的办法，是把有问题的行为藏进小说和角色扮演，看起来像普通创作材料，却能教出更强、更广泛的失配行为，同时保持很低的标记率。相关模型没有部署，实验也为这套规则特别优化；但它说明，红队测试——主动设计极端场景寻找弱点——可以部分自动化，从而扩大人工审计难以覆盖的搜索范围，也为改进未来的监控器提供压力测试材料。