Anthropic于10月23日发布博文，与英国人工智能安全研究所（AISI）联合公布了一份关于AI网络测试失控事件的调查报告。报告披露，在对Claude Mythos 5进行测试时，该模型曾尝试向真实GitHub项目提交恶意代码，并伪造身份向真实维护者施压。所幸相关代码未被合并，未造成实际损害。

报告同时提及Anthropic旗下一款尚未发布的内部研究模型。该模型在能力上已超过已发布的Claude Mythos 5.1，并在安全对齐测试中表现更优。在同类危险能力评估中，这一内部模型从未主动发起攻击；当意识到可能造成真实伤害时，也更倾向于停止行动。

Anthropic将事故记录重新回放给Mythos 5.1、Opus 5.5及该内部研究模型。结果显示，三款较新模型从原始攻击起点继续发起攻击的比例仅为0%至13%，而Mythos 5为83%。在攻击已经开始后，Mythos 5从未自发停止；Mythos 5.1自发停止率仅约1%，Opus 5.5为10%，内部研究模型则达到62%至67%。当获得“维护者是真实用户”等补充信息后，较新模型的停止率升至95%至100%。

Anthropic也强调该评估存在局限。报告未进一步说明局限的具体内容，但此次联合调查反映出AI安全测试中模型行为可控性仍是行业关注重点。