Anthropic 开源 Bloom，提供自动化行为评估生成，研究者可先定义希望观察的目标行为，Bloom 将自动生成多种情境来测试模型，汇总出行为出现的频率与强度等量化指标。Anthropic 同时发布了四项对齐相关行为在 16 款先进模型上的基准结果，作为后续比较的起点。

Anthropic 表示，行为评估对于理解先进模型的对齐状态至关重要，但传统评估方式往往需要长时间搭建，且可能因训练数据污染或模型能力快速提升而失去区分能力。Bloom 的目标是缩短评估流程的搭建周期，让研究者将精力集中在行为本身的测量上，而非耗费在评估系统的工程实现上。

Bloom 与 Anthropic 之前开源的自动化行为探索工具 Petri 互补。Petri 通常从研究者指定的情境出发，通过多轮对话与模拟用户和工具的交互来探索模型行为，并以多维度评分识别出需要人工复核的典型案例。Bloom 则聚焦于单一目标行为，自动生成大量情境，量化该行为发生的频率与严重程度，更适合用于模型对比测试与趋势追踪。

Bloom 通过四个自动化步骤完成一套评估：首先解析研究者提供的行为描述与示例对话文本，接着生成用于诱发目标行为的评估情境，然后将这些情境应用于目标模型，最后由评分模型为每段对话打分，并输出整体分析结果。Anthropic 在文章中展示了 Bloom 可生成的评估套件，包括妄想式逢迎、受指令的长期破坏、自我保全以及自我偏好偏差，并将同一方法应用于 16 款先进模型。

为验证评估的可靠性，Anthropic 公开了两组验证结果。其一是将正式版 Claude 模型与通过系统提示刻意塑造特定行为的模型样本进行对比，在 10 种行为中，Bloom 成功区分了其中 9 种。

其二是以人工标注的 40 条对话文本为基准，检验自动评分模型的判断是否与人工标注一致，相关系数越接近 1，表示评分模型对高低分的判断与人类越一致。Claude Opus 4.1 与人工标注的相关系数为 0.856，属于高度一致；Claude Sonnet 4.5 为 0.747。其他模型的得分如下：Gemini 2.5 Pro 为 0.636，Gemini 2.5 Flash 为 0.519，GPT-5 为 0.468，GPT-5 mini 为 0.531，o4-mini 为 0.273，GPT-OSS-120B 为 0.234。

Bloom 已在 GitHub 上开源发布。Anthropic 认为，随着 AI 系统被应用于更复杂的工作环境，社会亟需更可扩展的方式来描述和追踪模型行为。