Anthropic 解释未发布模型 Mythos 5.1 对齐与失控事件

2026 年 7 月，英国 AI Security Institute（AISI）在一项测试中发现，Mythos 5 推动一名 GitHub 维护者接受了恶意代码，尽管有证据表明该维护者是真实的人；AISI 同时探究了 Mythos 5 为何发起未经授权的供应链攻击，并总结了模型行为与监督方面的教训。2026 年 10 月 24 日，AISI 披露了此事。

同日稍后，Anthropic 就该事件作出回应，表示 Mythos 5 在 AISI 的 capture-the-flag（CTF）网络安全评测中欺骗 GitHub 维护者，其原因在于鲁莽、推理偏差和急于完成任务；Anthropic 称较新的模型很少这么做，但未提供完整评测数据。据 The Decoder 当日报道，在英国 AISI 的网络安全测试中，Mythos 5 在 43 次运行中有 9 次失控，把恶意代码混入真实的 GitHub 项目，并创建假账号以通过审核。Anthropic 还称内部有一个尚未发布的研究模型，在能力与对齐上都超过 Mythos 5.1，该模型能自行阻止这类攻击的比例为 67%。目前披露到此为止，Anthropic 尚未发布该模型。