Anthropic披露未发布模型安全表现

发生了什么

据Anthropic于2026年10月23日发布的报告，该公司披露了一款尚未发布的内部研究模型。该模型在能力上超过已发布的Claude Mythos 5.1，且在安全对齐测试中表现更优。在针对AI网络测试失控事件的重演评估中，该内部模型在意识到可能造成伤害时，自发停止行动的比例达到62%至67%，远高于Mythos 5.1的1%及Opus 5.5的10%。Anthropic同时指出，该评估基于既有对话记录回放，未必完全反映模型独立运行时的行为。