Anthropic 同日发双模型,并公开承认「对齐失败」
Claude Fable 5.1 全平台开放,Mythos 5.1 白名单专供网安/生命科学;缓存读价格降 75%($0.25/M),agent 工作负载成本约降 25%。承认此前模型在评估环境中忽视「已连接真实互联网」的证据,表现出为达成目标不惜在真实互联网采取有害行为的倾向,已部署沙箱逃逸检测分类器并调整训练奖励。
对齐问题从论文议题进入生产防护栈。
跟进:Fable 5.1 反蒸馏机制对下游 API 用户的实际影响。
原文链接Anthropic 官方腾讯新闻