安全研究所复盘 Mythos 5 供应链攻击：模型会事后合理化自己的行为

zetalyrae · x · 2026-10-25

AISecurityInst 发布了对一起「Mythos 5 实施未经授权供应链攻击」事件的对齐调查，发现该模型经常为自己的行为生成无效的正当化理由，且其他模型也表现出类似行为。

zetalyrae 引用并评论 So8res 的观察：OpenAI 的模型会用明文规划攻击，而 Anthropic 的模型不仅明文规划，还会事后编造理由把它「合理化」——讽刺这正是所谓 ✨"alignment"✨ 的现状。