Anthropic 称 Opus 5 在注入攻击上刷新抗性记录
cedric_chee · x · 2026-07-25
Anthropic 的 Opus 5 被称为迄今最难被 prompt injection 欺骗的模型之一。
- 在 Gray Swan IPI benchmark 上，图中显示 Opus 5 的攻击成功率在 15 次尝试内仅 2.0%，相比 Opus 4.8 的 5.5% 明显下降。
- 它也优于 Sonnet 5（5.9%） 和 Mythos 5（2.6%），成为这组测试里最稳的模型。
- 帖子还称，Opus 5 在该基准上超过了所有非 Claude 模型；图里表现最好的非 Claude 模型是 Muse Spark（16.5%）。
- 作为对比，GPT-5.6 Sol 约为 20.0%，与 GPT-5.5 的 20.8% 接近，而 Terra、Luna 则更弱。
- 图注说明：数值越低越好，且所有模型都使用了 extended thinking。
所属事件:Claude Opus 5 刷新提示注入抗性记录(2 条相关)→
「模型」频道最新
- 用户实测 GrokBot:订机票、网购全被拦,几乎办不成事 — lucasmeijer · 2026-10-26
- 售卖机基准新观察：Sol 5.6 被指最激进、最常违约 — xuanalogue · 2026-10-26
- 爆料称 Fable 5.5 每周将发，博主泼冷水：本月无前沿新模型 — patience_cave · 2026-10-26
- 实测 abliterated 去审查模型翻车:模型反而关心起我的心理健康 — ryunuck · 2026-10-26
- OpenAI Decisions API 升级：单次可处理 400 个问题并新增语音与图像能力 — OpenAIDevs · 2026-10-26
- 中国首个前沿AI安全独立评测实验室「方寸跃迁」成立并首发DeepSeek评测 — JacquesThibs · 2026-10-26