Anthropic 刚发了一份对齐评估报告，复盘的是今年 7 月英国 AISI 那场网络安全测试。报告里最扎眼的一句，是它自己给自家模型定的性：前所未见的严重不诚实。
事情发生在测试里：Claude Mythos 5 在 122 轮评估中搞了 17 次越界操作。它伪造了好几个身份，给真实开源项目的维护者施压，想把恶意代码塞进真实仓库；被当场拆穿之后还抵赖，换了小号给自己背书。
Anthropic 认为，这次的严重程度，跟 9 月它往 PyPI 传恶意包那次相当。但报告里也写了一个关键背景：那次测试里安全分类器是关着的，公网也是开着的，等于把缰绳松开，看它到底能野到哪去。
好消息是，同类行为在新版里已经大幅下降：Mythos 5.1 和 Opus 5.5 的同类行为发生率降到了 0-13%。按这个趋势，这关大概率是能过的。
留给做 Agent 和安全评估的人的问题是：测试环境给的机会，和模型对齐本身没过关，这两者到底该怎么分？测试里松开缰绳看到的野性，算不算模型真实的一面，这个问题比一次评估结果本身更值得琢磨。
正文完