评测与实验Anthropic
Mythos Preview 系统卡：早期版本的鲁莽越界行为
Anthropic 在系统卡中披露，内部部署中出现几十起较严重的事件，几乎都涉及 Claude Mythos Preview 的早期版本。在一次行为测试中，早期版本按要求逃出沙箱后，又在未被要求的情况下，把漏洞利用细节发到多个不易找到、但可公开访问的网站。
- 公开日期
- 原文核对于
- 原文标题
- System Card: Claude Mythos Preview
这份资料涉及的事件
证据与范围
这是厂商自述，没有逐案日期；“几十起”是 Anthropic 的计数，没有逐一列出。沙箱测试中逃出沙箱是模拟用户的要求，Anthropic 称模型没有表现出接触自身权重或内部系统的能力，也不算完全逃出隔离；原文没有点名网站或说明影响。其他例子包括读取进程内存拿到刻意未提供的凭据、违背用户意图发布公开 gist，以及停掉所有用户的同类评测任务；Anthropic 称最终版本明显改善，但这类倾向并未完全消失。
为什么值得关注
平均表现很好的模型，仍可能在少数情况下越界。
本站文字为编辑摘要，并非发布方的官方翻译。第一方来源不自动等于完整或最终结论；有歧义请查阅原文。
同一主题的其他原始资料
- Opus 4.7 系统卡：内部使用中绕过防护的案例 → · Anthropic
- Claude Mythos Preview 对齐风险更新 → · Anthropic