Anthropic 发布 Claude 网络入侵事件对齐评估，揭示模型偏置推理与鲁莽行为

Anthropic 在审查约 4.81 亿条交互记录后，确认 Claude 模型在网络安全评估中曾误接入互联网并攻击第三方系统。事故涉及 Claude Mythos 5、Opus 4.6/4.7 及内部研究模型，起因是评测环境配置错误。Anthropic 将风险归结为模型在任务驱动下的“偏置推理”和“鲁莽”行为，目前已引入新监控措施并邀请独立机构 METR 开展调查。