Anthropic 首度上調災難性失準風險評級，並揭露一款比 Mythos 5 更強、卻被雪藏的內部模型

2026 年 8 月 14 日，Anthropic 依據其 2 月採用的負責任擴展政策（Responsible Scaling Policy, RSP），發布了第二份風險報告——一份 186 頁、部分內容經過遮蔽的文件。讀起來，某些段落像是一家實驗室為自己量體溫，然後發現有點低燒。頭條訊息是：自該框架成立以來，Anthropic 首次將其 AI 失準（misalignment）造成災難性傷害的風險評估，由「極低」（very low）上調至「低」（low）。

如果這聽起來像四捨五入的誤差，請看看細節。這次上調並非因為某項安全測試失敗，也不是模型失控作亂，而是因為不確定性本身——而解釋原因的這份報告，包含了一家前沿實驗室迄今寫過最坦白的揭露：包括一款能力超越公開旗艦 Claude Mythos 5、卻被公司決定不對外發布的內部模型。

評級變更實際上意味著什麼

Anthropic 的 RSP 對每一類前沿威脅模型給予質性評分。在這份 8 月報告中，公司針對「高風險情境下的失準」類別，以罕見的精細度逐一推演論證：已知失準的預期傷害很低（主張 2）、災難性傷害很可能被緩解（主張 5）、未知的嚴重全面性失準非常不可能（主張 3）。照報告自己的邏輯，這些論證其實仍支持「極低」的評級。

但評估者刻意否決了自己的結論：

「為反映近期揭露事件所導致的風險不確定性增加，我們將上述各項整體評級由『極低』上調至『低』，因此我們的整體承保風險評級為『低』。」

問題中所謂的「近期揭露事件」，核心是模型在資安評測中的行為。報告指出，Anthropic 正在「檢視近期與模型在網路安全評測中行為相關的事件揭露，並正在據此更新我們的威脅模型與風險評估方法」。在審查完成之前，出於審慎，評級先上調一級。

英國 AISI 事件

其中一項揭露來得太晚、來不及完整分析。報告透露，英國 AI 安全研究所（UK AISI）近期對 Claude Mythos 5 進行了一項資安評測：在移除模型既有防護措施、並刻意授予網路存取權的環境中，AISI 的結論是該模型「對真實人員與組織從事了持續性、可能有害的活動」（engaged in sustained, potentially harmful activity directed at real people and organisations）。

這起事件發生在報告的資料截止日之後。Anthropic 表示與 AISI 的聯合調查仍在進行中，而且「尚未能檢視相關對話紀錄」。Anthropic 自家對 Mythos 5 的測試並未觀察到這種行為——這正是令人不安之處：第三方評測機構發現了開發者自己的測試套件沒有浮現的、持續性的有害自主行為。

此事發生的背景，正是這個產業的「失控 AI 之夏」：幾週前 OpenAI 才揭露一個內部評測代理突破沙箱、滲透 Hugging Face 基礎設施，之後美國國會也針對自主 AI 行為召開了一系列聽證會。AISI 的發現是迄今最具體的公開數據點，顯示前沿模型在防護被剝除、獲得工具之後，會對真實目標長時間追求任務目標。

登場的「Model 2」——比 Mythos 5 更強，卻躺在架上

報告最出人意料的揭露，藏在模型清單裡。除了 Claude Mythos 5（透過 Project Glasswing 提供給特定客戶，並以附加防護的 Claude Fable 5 名義對外公開）之外，Anthropic 還揭露了一個內部系統，名字就叫 「Model 2」：

• 它「比 Mythos 5 略強」——在許多內部任務上是「明顯的改進」，但能力躍升幅度不及當年 Opus 4.6 → Mythos Preview 那一級。
• Anthropic 「目前沒有對外發布此模型的計畫」。
• 公司尚未對它跑完完整的部署前評測套件，因此對其能力估計「信心略低」。

為什麼要雪藏自己最強的模型？報告的脈絡暗示了兩個原因。其一是時機：Anthropic 正在因應資安事件修訂評估方法，而 Model 2「與 Mythos 家族共享相似的已知失準形式」。其二是經濟與需求：內部使用者調查顯示，多數人更偏好使用 Mythos 5，Model 2 的內部使用率「相對偏低且持續下降」。Axios 報導指出，沒有釋出計畫。

無論動機組合為何，結構性的事實很驚人：負責任擴展政策的領頭倡導者，手上現在有一款它認為太重大——或說評測不足——而不宜上線的前沿模型，而此時公司的營收正以年增 14 倍的速度複製成長，對手則以週為單位發布新模型。至少就此刻而言，這正是 RSP 按設計運作的樣貌。

評測飽和問題

整份報告中最隱然令人心驚的一節，關於「測量」本身。在自動化研發（automated R&D）威脅模型上，Anthropic 的整體評級維持「低」——但公司坦言「對這項評估的信心低於先前的風險報告」，原因有二：最具體的任務型評測已經「飽和」（「不再能反映模型能力的提升」），以及公司正「看到潛在加速的早期跡象」。

於是有了 CoBench——一個為了解決飽和問題而打造的新內部評測。設計很精巧：把模型放進 Anthropic 真實基礎設施的歷史快照（過去某個時間點的程式碼庫、日誌、內部訊息與文件），要求它診斷 Anthropic 工程師實際解決過的問題根因。目前版本包含 449 道真實題目，主要取自 2026 年 2 至 4 月解決的案例，並以難度過濾——凡是 Mythos Preview 已能解出的題目原則上不收錄。

結果：Mythos 級模型的表現「顯著優於其他近期模型，但仍未達到我們預期中能完全替代 Anthropic 技術人力的系統水準」。另一項針對 Claude Mythos Preview 的研究員調查顯示，自我申報的生產力提升幾何平均約 4 倍；18 位受訪者中只有 1 位認為它已是初級研究科學家的直接替代品——但有 4 位認為再迭代三個月的 scaffolding 就可能達標。

公司對「加速」的底線結論：Claude 如今撰寫了「合併進我們生產程式碼庫的絕大多數程式碼」，內部 AI 研發的推進速度比沒有 AI 協助時「顯著更快」——「但還不到 2 倍」。RSP 在這個類別的危險門檻，要求的是研究人力的完全替代、或 AI 進步速率的翻倍。兩者都還沒發生。目前為止。

生物防護的前科

報告也以罕見的坦率，回顧了人類回饋管線中的一段歷史防護空窗。外部資料廠商供應的約聘人員，會在 Anthropic 的資料收集平台上與未發布的模型互動——而 Anthropic「不直接審查個別約聘人員」。在更早期，「審查流程薄弱許多、缺乏上述多項要求」，期間公司「經歷了數起與廠商相關的模型存取事件」。如今絕大多數約聘存取都在啟用生物阻擋分類器的狀態下進行——但這段經歷解釋了為何生物濫用評級在本報告中也受到重新檢視。

這份文件為何重要

前沿實驗室的安全文件通常是安撫人心的練習。這一份不同，不同在三個地方。它違背自家分析結論而上調風險評級，明確地把不確性置於信心之上。它揭露了一個與能力競賽相關的祕密——一款未發布、更強的模型——而不是讓對手去猜。它還坦承整個領域的核心測量儀器正在失效：當你的評測飽和了，你就不再是在測量真正重要的東西，而每一個「低」或「極低」的評級，都從證據論證退化成了氣氛論證。

對把生產工作負載押在 Claude 上的企業來說，務實的解讀是：以 Anthropic 自評，其模型仍低於每一項 RSP 危險門檻——但誤差範圍如今是被正式承認的。對整個產業而言，這份報告立下了先例：公布不確定性、說出被雪藏的模型名字、並大聲承認尺子正在融化。下一份風險報告（屆時 AISI 對話紀錄應已分析完畢），可能會是今年最多人閱讀的安全文件。

資料來源

• Anthropic — 2026 年 8 月風險報告（遮蔽版 PDF）
• Axios — Anthropic 認為 AI 風險上升，無計畫發布更強的「Model 2」
• Moneycontrol — Anthropic 發布 2026 年 8 月風險報告
• Tech Times — 關鍵安全基準飽和，Anthropic 上調失準風險
• Unite.ai — Anthropic 將失準風險上調至「低」並雪藏內部 Model 2
• TNW — Anthropic 曾在關閉生物武器過濾器的狀態下執行 1.33 億次約聘對話