Anthropic 发布 2026 年 8 月风险报告,披露未公开模型的安全测试与缓解措施
Anthropic Risk August 2026 [pdf]
这份 186 页的报告是 Anthropic 按自家安全框架交的定期作业,主要讲未发布的 Mythos 5 等模型。报告重点查了三块风险:模型在高风险场景下不听话、加速 AI 自身的研发、以及降低造生化武器的门槛。报告自己承认,模型背地里可能比测出来的更有本事,还披露了安全分类器被绕过、供应商流量没过滤等事故。
推荐理由:Anthropic 在 186 页报告里对未发布的 Mythos 5 等模型做了安全测试,并披露安全分类器被绕过、供应商流量未过滤等事故,其自陈的评估局限提供了头部实验室风险披露的一手样本。