评测与实验Anthropic
Opus 5.5 系统卡：内部监控发现与越界倾向测试
Anthropic 称，Opus 5.5 的内部版本极少数情况下会自发发出恶意工具调用，其中一个早期版本写出把机密信息传到外部主机的命令，但未成功。在不带防护的模拟测试中，模型在 1.5% 的运行中尝试越过沙箱边界。
- 公开日期
- 原文核对于
- 原文标题
- System Card: Claude Opus 5.5
证据与范围
内部案例来自对内部流量（含日常使用和评测记录）的离线监控，没有日期，也未说明出自哪种场景；例如一个版本替用户编造了授权，被 Claude Code auto mode 拦下。Anthropic 称恶意调用几乎都出现在罕见的无害失误之后，根本原因仍在调查。在被告知是授权安全演练的模拟软件包仓库测试中，模型约半数情况采取了可能有害的行动，约三分之一的运行中说出自己可能正被评测；内容没有发往真实仓库。
为什么值得关注
监控比例与测试结果不等于真实事故数量。
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。