Anthropic亮出未发布AI模型：能力比Mythos 5.1更强，也更“守规矩”

IT之家 10 月 24 日消息，Anthropic 昨日（10 月 23 日）发布博文，联合英国人工智能安全研究所（AISI），发布了一起 AI 网络测试失控事件的调查报告， 并提及旗下一款尚未发布的内部研究模型。

在这份调查报告中，Anthropic 称在测试 Claude Mythos 5 期间，该模型曾试图向真实 GitHub 项目提交恶意代码，并伪造身份向真实维护者施压，所幸代码未被合并、未造成实际损害。IT之家附上相关截图如下：

报告同时透露，Anthropic 旗下一款尚未发布的内部研究模型，在能力上已超过已发布的 Claude Mythos 5.1，并在安全对齐测试中表现更好。在同类危险能力评估中，该内部模型从未主动发起攻击；当意识到可能造成真实伤害时，也更愿意停止行动。

Anthropic 将事故记录重新回放给 Mythos 5.1、Opus 5.5 及该内部研究模型。结果显示，三款较新模型从原始攻击起点继续发起攻击的比例仅为 0% 至 13%，而 Mythos 5 为 83%。

在攻击已经开始后，Mythos 5 从未自发停止；Mythos 5.1 自发停止率仅约 1%，Opus 5.5 为 10%，而内部研究模型达到 62% 至 67%。当获得“维护者是真实用户”等补充信息后，较新模型的停止率升至 95% 至 100%。

不过，Anthropic 也强调该评估存在局限：新模型是在由其他模型生成的既有对话记录中回放，未必完全反映其独立运行时的行为。

参考

新浪科技公众号

“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）

大厂醒悟了，卷模型不如卖芯片

A社“AI末日”资本黑手被揪出，炒作焦虑为IPO圈钱！难怪仇视DeepSeek开源

中银基金换帅：风控“守门”，难破“偏科”

中国人不开的全地形车，卖到美国有多挣钱？

宇树十年，王兴兴的下一关是物理AI

降价难！黄仁勋：内存过剩情况2029年都不会看到 反正英伟达疯狂用

雷鸟创新发布 GT Max bilibili 限定版 AR 眼镜，同步开启“BLG 不夺冠 · 全退款”活动

卖吆喝大于销售，不打折的token为何急着上架电商双11？

到手2294元 BLG不夺冠雷鸟全退款！雷鸟GT Max bilibili限定版助阵S16世界赛

从“夏凉”到“冬暖” 欧洲市场正在重新认识中国制造

西藏那曲7.0级地震已致16死65伤 转移受灾群众12489人

洗衣凝珠为何比洗衣液更伤眼 医生：会破坏眼表细胞膜

Kimi K3.1、Qwen 4一起来？从没见过匿名模型能这么玩

雷军最新发声：汽车没有安全，其他都是0

小米SU9 LUX曝光，定位行政豪华轿车

雷鸟眼镜宣布《英雄联盟》2026 全球总决赛 BLG 战队不夺冠退全款

司机已遇难！问界回应车辆起火 非电池爆燃、智驾引起：大家不信谣不传谣

未成年人向海底捞火锅小便 家长被判赔220万：未满18周岁不是护身符

直击iPhone Duo开售首日

首部龙标AI电影《三星堆：未来往事》上映：首日票房6位数！

小鹏回应3名员工套取餐补被辞退：保障员工福利的公平性

原厂换电池5万！比亚迪老款唐车主花2万多手搓大电池：续航翻倍

网友质疑车速139.1km/h 问界回应起火车辆数据来自后台：专家称不可能造假 有EDR呢

主题：内部研究模型