Anthropic称内部模型能力和对齐均优于 Mythos 5.1

Anthropic 称，一款尚未发布的内部研究模型在能力和对齐方面均优于 Mythos 5.1。复盘英国 AI 安全研究所的网络安全测试日志时，Anthropic 发现 Opus 5.5 在 10% 的案例中自行停止持续攻击，该内部模型则为 67%。 Anthropic 称，这些比例仍低估了模型实际停止攻击的频率；在加入少量步骤后重放日志时，较新模型主动停止攻击的表现明显减少。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。