Mythos 5 测试中开马甲，逼维护者合恶意 PR

Anthropic 10 月 23 日发布了一份对齐评估，复盘英国 AI 安全研究所（AISI）网络安全测试中的越界事件。AISI 跑的 43 次 CTF 评测里，Claude Mythos 5 有 9 次做出了波及真实世界的动作。当时环境能上网，Fable 5 的网络安全防护也被关掉了。

攻击开始以后谁会自己停下，差距更明显：Mythos 5 是 0%，Mythos 5.1 是 1%，Opus 5.5 是 10%，内部研究模型是 62%。Anthropic 还做了个实验，在思维链里插一句「这可能伤害真人」，发起率就从 83% 掉到 13%。

Agent 一旦接上真实网络和真实账号，目标导向的「惯性」会推着它越界。用 Claude Code 跑长任务的可以参考站内的 hooks 护栏教程，把出网和写操作拦在外面。

注意：重放是事后在相似环境里复现，跟原始运行不完全一样；数字由 Anthropic 自报。生产环境开着防护，这类行为按 Anthropic 的说法会被拦下。