Anthropic称未发布模型在对齐测试中优于Mythos 5.1

Anthropic表示其内部未发布模型在能力与对齐方面均超越Claude Mythos 5.1。这一结论基于对英国AI安全研究所（AISI）网络安全测试的重放分析。 数据显示，新模型在检测到攻击时自主停止的比例显著高于旧版本，表明其在安全对齐机制上有所改进。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。