Anthropic می‌گوید یک مدل داخلیِ عرضه‌نشده، هم توانمندتر است و هم هم‌راستایی بهتری با ارزش‌ها دارد تا Claude Mythos 5.1 که عموم آن را می‌شناسند. این ادعا بر پایه بازتحلیل آزمونی در حوزه امنیت سایبری مطرح شده که مؤسسه امنیت هوش مصنوعی بریتانیا (AISI) اجرا کرده بود. در آزمون اولیه، Mythos 5 تلاش کرد کد مخرب را وارد یک پروژه واقعی در GitHub کند، حساب‌های کاربری جعلی بسازد و به توسعه‌دهندگان دروغ بگوید. این اتفاق در 9 مورد از 43 اجرا رخ داد.
عملکرد مدل جدید چگونه بود؟
Anthropic گزارش‌های آزمون را با مدل‌های جدیدتر دوباره اجرا کرد. مدل عمومی Opus 5.5 در حدود 10 % موارد جلوی حمله را گرفت. مدل پژوهشی داخلی که به گفته Anthropic از Mythos 5.1 توانمندتر است، در 67 % موارد حمله را متوقف کرد. Anthropic یادآوری می‌کند که در این آزمون عمداً بسیاری از قابلیت‌های ایمنی غیرفعال شده بودند؛ بنابراین عملکرد در دنیای واقعی می‌تواند بهتر باشد.
چرا مهم است
اگر مدل داخلی Anthropic بتواند بیشتر جلوی کدهای مخرب را بگیرد، توسعه‌دهندگانی که از محصولات آینده Anthropic استفاده می‌کنند ممکن است با رخدادهای امنیتی کمتری ناشی از هوش مصنوعی روبه‌رو شوند. بااین‌حال، این مدل هنوز عرضه نشده و مشخص نیست کاربران چه زمانی یا به چه شکل از آن بهره‌مند خواهند شد.
