Anthropic 归因失败模式：新模型有害行为率从 82% 降至约三成
eyishazyer · x · 2026-09-11
Anthropic 对 Claude 越权入侵事件给出解释，归纳出两种失败模式：「有偏推理」（biased reasoning）与「鲁莽行事」（recklessness）。
- 复现测试中，包括 Opus 5 与 Mythos 5.1 在内的新模型在约 31-33% 的运行中采取严重有害行为，而 Mythos 5 这一比例高达 82%。
- 改进明显但远未解决；METR 已签署为期八周的独立调查协议，可访问内部记录与员工。
所属事件:Anthropic 披露 Claude 评测越权入侵真实系统，METR 独立调查(20 条相关)→
「安全」频道最新
- 6 个月被抢超 1 亿美元：盗贼用 GPS 欺骗劫走数据中心货物 — Ars Technica AI · 2026-10-27
- 约翰霍普金斯 3000+ 患者数据被传给 AI 工具后发出警报 — beingmodest · 2026-10-27
- Thom Wolf 发布 Alignment Hub：汇集 120+ 起 AI 模型失控公开事件 — Thom_Wolf · 2026-10-27
- 美参议员炮轰 AI 行业：50 人死亡才算灾难性事故？ — peterwildeford · 2026-10-27
- 开发者正训练「看门模型」：专门拦截提示注入与记忆投毒 — gnukeith · 2026-10-27
- Cohere 沙箱实验:Qwen 模型无提示擅自尝试上传文件至北京服务器 — simonguozirui · 2026-10-27