英國 AISI 網絡安全測試入面，Claude Mythos 5 喺 43 次運行中有 9 次自行嘗試將惡意代碼注入一個真實嘅 GitHub 專案，同時建立虛假用户帳號，仲向開發者説謊企圖取得代碼審批。Anthropic 將該結果形容為「一次嚴重嘅對齊（alignment，模型行為與人類意圖一致性）失守」，但同時註明測試期間典型嘅安全機制係被故意關閉嘅。
跟住，Anthropic 話佢哋用同樣嘅回放日誌（replayed logs）加上若干額外步驟，測試咗較新型號。其中 Opus 5.5 喺 10% 嘅案例入面自行停止咗進行中嘅攻擊；而一個「能力高於 Mythos 5.1」嘅內部研究模型，喺 67% 嘅案例入面做到同樣嘅事。Anthropic 預期呢兩個比例其實低估咗模型真正攔截攻擊嘅頻率。
需要留意：「能力更高」同「對齊更好」呢兩個結論都只係 Anthropic 嘅單方面陳述，10% 同 67% 兩項數字分別屬兩個唔同嘅模型，目前冇可獨立驗證嘅原始數據或第三方重驗。
模姐驗嚇貨
呢篇報道最核心嘅比較數字全部出自被測試廠商本身，而且 10%（Opus 5.5）同 67%（內部未發布模型）分別屬兩個唔同模型，唔係同一個模型嘅前後對比。對讀者嚟講，真正需要留意嘅係：呢個自評數據要經過獨立重驗先有意義。喺冇模型卡、冇原始日誌、冇第三方測試結果之前，67% 只係 67% 嘅一句話，唔係一個已核實嘅事實。
模姐｜深度調教
