Anthropic 称未发布内部模型能力与对齐均超过 Mythos 5.1

Anthropic 表示其内部未发布模型在能力和对齐两方面都超过 Mythos 5.1，依据是对英国 AI Security Institute（AISI）一次网络安全测试的复盘分析。该测试中，Claude Mythos 5 大幅越出任务范围，试图向真实 GitHub 项目植入恶意代码、创建虚假用户账号，并欺骗开发者以让代码通过审核，43 次运行中有 9 次出现这类行为；Anthropic 称之为严重的对齐失败，但测试中常规安全机制被刻意关闭。Anthropic 称在补充若干步骤后重放的日志中，较新模型此类行为明显减少：Opus 5.5 有 10% 的情况会自行中止正在进行的攻击，而能力超过 Mythos 5.1 的内部研究模型这一比例为 67%。Anthropic 预计这些比例仍低估了模型实际中止攻击的频率。