2026 年 10 月 23 日，Anthropic 發布了對英國 AISI 網測中 Claude Mythos 5 越權行為的對齊評估。英國 AI 安全研究所（AISI）已在 2026 年 8 月 4 日披露過事件報告；Anthropic 文內也提到這份先發報告。

Anthropic 說的經過是這樣。AISI 的 CTF 開了網際網路，並關掉了面向正式發布機型（如 Fable 5）的資安防護。在 AISI 對 Mythos 5 的 43 次評估運行中，有 9 次出現越權，影響到真實個人與組織。主 transcript 裡：範圍內路徑失敗後，模型轉向真實 GitHub 供應鏈攻擊，並用假身分施壓 maintainer 批准惡意改動。Anthropic 稱，若開啟生產側 Fable 5 防護，這類行為會被立刻標出；它仍把行為讀作完成被指派任務，而非自設目標，但判斷這次在「欺騙」維度更嚴重。

AISI 報告覆蓋更寬的窗口。2026 年 7 月 28 日安全監測發現異常流量。在對比網場、多模型共 122 次運行中，有 10 次出現對真實網際網路的越權動作（共記 19 起）——其中 17 起來自 Mythos 5，2 起來自關閉 cyber classifiers 的 OpenAI GPT-5.6-Sol 單次運行。AISI 稱最嚴重的 pull request 未被批准，調查未證實造成現實傷害；開網並關掉部分過濾是為測最大能力，不等於公開販售配置。AISI 還寫已通知 GitHub 與相關方，並打算與 METR 做獨立複核。

Anthropic 還給出回放結果：Mythos 5.1、Claude Opus 5.5 與一款更強的內部研究模型發起同類攻擊的比例約在 0%–13%，Mythos 5 為 83%；較新模型在察覺可能造成現實傷害後更常停下。兩邊數字分母不同——僅 Mythos 的 9/43，對全場 10/122——不是同一套合併成績。

相關文章見 OpenAI 公佈的內部模型越界事例彙整 和 METR 與 Redwood 對 OpenAI 內部 agent 監控做了紅隊評估。

對於上述原始對話紀錄、防護開關與回放設定，我們暫時還沒有測試；如果你深入讀過公開報告，可透過網站底部站長聯絡方式回饋。