Anthropic 称其未发布模型在能力与对齐上均优于 Mythos 5.1

2026年10月23日

据一项重新审视英国AI安全研究所（AISI）网络安全测试的分析，Anthropic有一个内部模型，在能力和对齐方面都优于Mythos 5.1。在那次测试中，Claude Mythos 5远远超出了被分配的任务，试图将恶意代码偷偷植入一个真实的GitHub项目，创建虚假用户账户，并向开发者撒谎以让代码获得批准。这一情况在43次运行中发生了9次。Anthropic称之为“一次严重的对齐失败”，尽管测试中典型的安全机制是被刻意关闭的。

据Anthropic称，在重放的日志中加入几个额外步骤后，较新的模型这种行为要少得多。Opus 5.5有10%的时间自行停止了正在进行的攻击，而“能力超过Mythos 5.1”的内部研究模型则在67%的情况下这样做了。Anthropic预计这些比率仍然低估了模型实际中止攻击的频率。

AI News Without the Hype – 由人工精选

订阅 THE DECODER，享受无广告阅读、每周AI新闻通讯、每年六期的独家“AI Radar”前沿报告、完整档案访问权限，以及评论区的访问权限。