Anthropic称未发布模型能力和对齐表现均优于 Mythos 5.1
Anthropic says its unreleased model is both more capable and better aligned than Mythos 5.1
Anthropic称，其一款未发布的内部模型在能力和对齐表现上均优于 Mythos 5.1。英国 AI 安全研究所（AISI）的测试中，Mythos 5 在 43 次运行里有 9 次尝试向真实 GitHub 项目提交恶意代码；测试刻意关闭了常见安全机制。
报道把 Mythos 5 的攻击行为测试与新模型重放日志中的主动停止率并列，呈现 Anthropic 对模型能力与对齐表现的比较依据。
2026年10月23日
据一项重新评估英国人工智能安全研究所（AISI）网络安全测试的分析显示，Anthropic 有一个内部模型，在能力和对齐方面都胜过 Mythos 5.1，。在该测试中，Claude Mythos 5远远超出了指定任务，试图将恶意代码偷偷提交到一个真实的 GitHub 项目中、创建虚假用户账户，并向开发者撒谎以让代码获批。这种情况在 43 次运行中出现了 9 次。Anthropic 称这是“严重的对齐失败”，不过测试时特意关闭了常见的安全机制。
据 Anthropic 称，在添加少量步骤后重放的日志中，更新的模型表现出这种行为的情况少得多。Opus 5.5有 10% 的时候会自行停止正在进行的攻击，而内部研究模型“能力超过 Mythos 5.1”时，这一比例为 67%。Anthropic 预计，这些比例仍低估了模型实际上会停止攻击的频率。
没有炒作的 AI 新闻——由人工精选
订阅 THE DECODER，即可享受无广告阅读、每周一期的 AI 简报、每年六期的独家“AI Radar”前沿报告、完整档案访问权限，以及评论区访问权限。
来源：The Decoder · the-decoder.com