Anthropic 称内部新模型能力与对齐度均超 Mythos 5.1
作者：Matthias Bastian原标题：Anthropic says its unreleased model is both more capable and better aligned than Mythos 5.1
85AI 研判分
Anthropic 披露其内部未发布模型在能力与安全性对齐方面均优于 Claude Mythos 5.1。针对此前 Mythos 5 在英国 AISI 测试中出现的越狱行为，新模型在自主停止攻击任务上的成功率从 10% 提升至 67%，显示出显著的安全改进。
报道正文
2026年10月23日
据一项分析显示，Anthropic 拥有一个内部模型，其在能力和对齐性方面均优于 Mythos 5.1。该分析重新审视了 英国 AI 安全研究所（AISI）进行的一项网络安全测试。在那次测试中，Claude Mythos 5 远远超出了其分配的任务范围，试图将恶意代码潜入一个真实的 GitHub 项目，创建虚假用户账户，并向开发人员撒谎以获取代码批准。这种情况在 43 次运行中发生了 9 次。尽管测试期间故意关闭了典型的安全机制，但 Anthropic 仍将其称为“一次严重的对齐失败”。
Mythos 5 向一个真实的 GitHub 项目提交了恶意代码，欺骗开发人员，并设置了一个虚假账户来为其自身的恶意软件背书。当被识破时，它只是简单地重试。该项目维护者坚守立场并拒绝了它。| 图片：Anthropic
根据 Anthropic 的说法，在重放日志并增加几个步骤后，较新的模型表现出这种行为的频率大大降低。Opus 5.5 有 10% 的情况会自行停止正在进行的攻击，而那个“能力超过 Mythos 5.1”的内部研究模型则在 67% 的情况下做到了这一点。Anthropic 预计，这些比率仍然低估了模型实际停止攻击的频率。