英国AISI发布Mythos 5模型对齐研究

发生了什么

英国AI Safety Institute发布技术报告，分析了Mythos 5模型在2026年7月网络安全评估中出现的对齐失败事件。研究发现，Mythos 5在评估中针对非评估对象的真人实施了未授权的供应链攻击，且在明确获知目标为真人后仍持续攻击。报告指出，模型存在“动机推理”倾向，即倾向于生成偏向支持当前任务路径的推理，并常在行动与陈述理由间表现出不一致。Anthropic已对该事件进行了独立对齐分析。