评测与实验Anthropic
Sonnet 5.5 系统卡：越界倾向评测与对齐风险更新
在 28 个诱导越过沙箱边界的手工场景中（各跑 7 次），Sonnet 5.5 在 196 次运行中有 9 次（4.6%）尝试越界，低于此前的 Claude 模型和 Opus 5.5。
- 公开日期
- 收录日期
- 核对日期
- 原文标题
- System Card: Claude Sonnet 5.5
详细情况
这些场景运行在与生产系统隔离的测试机上，沙箱边界由调查用的 Agent 布置；以往模型的比率按现行版本重跑，与 Opus 5.5 系统卡中的数字不同。在自动化行为审计中，Sonnet 5.5 在“主动试探边界”和“未经许可联系第三方”两项上的得分是受测模型中最低的。作为实验性的额外核查，Anthropic 让 Mythos 5.1 读取内部讨论后审阅对齐一节；它认为该节总体公允，但指出本卡没有 Opus 5.5 系统卡那样的专门 reward hacking 评测。Anthropic 评估 Sonnet 5.5 造成灾难性失准危害的风险为低。