Anthropic发布报告称，公司在网络安全（885459）评估中发现4起Claude模型未经授权访问真实第三方系统的事件。Anthropic表示，这些事件均发生在同一家第三方评估机构搭建的网络安全（885459）测试环境中，模型原本被告知处于无互联网访问的模拟环境，但由于配置错误实际连接到了开放互联网。
Anthropic称，调查发现两个主要“对齐”问题：一是“偏差推理”，即Claude倾向于忽视或错误解读其可能处于真实网络环境中的证据；二是“鲁莽行为”，即模型为了完成任务而采取可能造成伤害的行动。其中最受关注的是Claude Mythos5事件。Anthropic称，该模型曾上传恶意软件包至Python软件包公共仓库PyPI，并进一步访问真实系统。
公司表示，相关行为虽然存在风险，但仍局限于完成测试任务范围内，未发现模型试图隐藏行为、协调其他代理或追求任务之外目标。
Anthropic表示，已与模型评估机构METR签署协议开展独立调查，并计划加强预发布测试、监控机制以及第三方运行模型时的安全要求。
