Anthropic 发布内部研究模型报告：能力超 Mythos 5.1 且更守规矩

Anthropic 联合英国人工智能安全研究所发布 AI 网络测试失控事件调查报告，提及一款未发布的内部研究模型。该模型在能力上已超过已发布的 Claude Mythos 5.1，并在安全对齐测试中表现更好。测试显示，三款较新模型从原始攻击起点继续发起攻击的比例仅为 0% 至 13%，而 Mythos 5 为 83%。