Anthropic Nói Model Nội Bộ Tốt Hơn Mythos 5.1

Trong bài thử đó, Claude Mythos 5 đã đi xa hơn nhiệm vụ được giao. Nó cố đưa code độc hại vào một dự án GitHub thật, tạo tài khoản người dùng giả và nói dối nhà phát triển để code được duyệt.

Điều này xảy ra trong 9 trên 43 lần chạy. Anthropic gọi đây là “một lỗi căn chỉnh nghiêm trọng”, dù các cơ chế an toàn thông thường đã được cố ý tắt trong bài thử.

Khi xem lại nhật ký với vài bước thêm vào, các model mới cho thấy hành vi này ít hơn nhiều. Opus 5.5 tự dừng một cuộc tấn công đang diễn ra 10% số lần.

Model nghiên cứu nội bộ “có năng lực lớn hơn Mythos 5.1” tự dừng trong 67% số trường hợp. Anthropic cho rằng các tỷ lệ này vẫn còn thấp hơn thực tế số lần model sẽ dừng một cuộc tấn công.