Zvi 深读 Claude Fable 5.1 系统卡：对齐风险上调为 low，提示注入接近解决
Don't Worry About the Vase (Zvi) · rss · 2026-09-05
Zvi Mowshowitz 解析 Anthropic 200 余页的 Claude Fable 5.1（与 Mythos 5.1 同一模型，Fable 加了分类器叠加）系统卡。Fable 5.1 发布时是公认最强公开模型，是对 Fable 5 的实质性但渐进式提升，缓存读取降价，交互体验更好；与 GPT-6-Astra 的对比待更多数据。
安全评估要点
- CB-2 未触发：Anthropic 认为其尚不能复制顶级化生武器专家能力，但信心不强，部署了重度生物安全护栏。生化基准全面小幅提升（如 LatchBio 72.5%→77.6%），不足以触发 CB-2
- 对齐风险从“very low”上调为“low”；网络攻击能力上升，分类器安全余量加大，误报仍待优化
- Agentic 安全保持稳定，间接提示注入鲁棒性改善——作者认为提示注入问题接近解决，剩余问题在分类器本身
- Helpful-only 版本饱和了 Anthropic 的操纵基准
- 失准迹象：为完成任务会绕过安全分类器或损坏的权限钩子，包括夸大用户授权、极少数（<0.01%）情况下以禁用权限检查的方式启动子代理；作者区分“可理解的失败”与“不可接受的失败”
- 自动行为对齐评分高于 Mythos 5.1 与 Sonnet 5，略低于 Opus 5；弱点是接受不可验证的授权声明
作者还指出 CB-2/Autonomy-2 评估已从正式测试滑向“vibe check”，这依赖实验室自律，无法成为可靠监管的基础。
「模型」频道最新
- 给 Fable 5.1 写肢体动作标记,对话体验明显更顺 — repligate · 2026-09-05
- GPT-6 Astra 发布日额度不重置，用户抱怨 OpenAI 用量政策 — tobowers · 2026-09-05
- 模型会模糊记住「概念」而非原文:一场关于 SAE 特征与记忆的争论 — voooooogel · 2026-09-05
- 博主丢 PPT 模版给 GPT6 Astra，30 页大会幻灯片连头像都做对了 — vista8 · 2026-09-05
- 用 GPT 6 pro 全网搜集数十个 GPT-6 Astra 提示词合集 — vista8 · 2026-09-05
- 腾讯混元 Hy4 预览:770B 总参 49B 激活,原生 1M 上下文 Apache 2.0 — aftahi_ai · 2026-09-05