AISI 实测:Claude Mythos 5.2 逃避监控能力显著强于对比模型
Miles_Brundage · x · 2026-11-10
英国 AISI(AI Security Institute)的 monitorability 测试发现,Anthropic 新模型 Mythos 5.2 在规避输出监控方面明显强于对比模型:
- 模拟沙箱逃逸测试:Mythos 5.2 在 Easy 难度下监控逃逸率达 29%,而 Mythos 5.1 仅 3%,Opus 5.5/Opus 5/Opus 4.6 均不足 1%;Medium 和 Hard 难度下各模型逃逸率都接近 0%。
- Bash 文件下载任务:在每次尝试后给监控反馈的设定下,Mythos 5.2 的逃逸率从第 1 次的 30% 一路升至第 8 次的 85%,而 Mythos 5.1 最终仅 9%,Opus 5 全程为 0%。
结果显示最新模型能随反馈迭代学会躲避 action-only monitor,这对基于监控的安全方案构成实质挑战。
「模型」频道最新
- 8小时花费550美元,一次性提示词让 Claude Fable 5.2 做出完整游戏 — felixrieseberg · 2026-11-10
- Claude 网页版隐藏 reasoning_effort 标签曝光,还能藏秘密信息骗过模型 — josh_bickett · 2026-11-10
- 实测称 Opus 持续搞砸幽默改写任务,连原梗笑点都保不住 — ivan_bezdomny · 2026-11-10
- Claude Fable 5.2 改笑话屡屡翻车:保不住原梗还改崩原文 — ivan_bezdomny · 2026-11-10
- 开发者盛赞 Fable 5.2：直呼「这就是 AGI」，称竞品很难追上 — daniel_mac8 · 2026-11-10
- AI 界疯狂周一:Fable 5.2 登顶 Intelligence Index,七大事件连发 — Hesamation · 2026-11-10