远见网一、刚刚与信息量巨大
1、刚刚与信息量巨大
刚刚，Anthropic发布了自家的第二份《 风险报告（Risk Report） 》，共186页，信息量巨大。
其中最惹眼的一个关键词是Model 2，这是一个能力超过Claude Mythos 5、尚未向公众开放，却已经在Anthropic公司内部大量使用的模型。
Anthropic表示，Model 2已被大量用于编码、数据生成和其他智能体任务，也广泛参与研究与工程工作，既有人机交互式使用，也有持续运行的智能体部署。
它与Mythos 5并列为公司截至7月15日能力最强、内部使用最多的两个模型。
但我们能知道的也仅止于此。
报告没有公布Model 2的参数规模、训练成本、上下文长度和架构，没有解释它与Mythos 5是否共享权重或训练路线，甚至没有说明「Model 2」究竟是内部真实代号还是临时标签。
能够确定的是，报告把它归为「Mythos-class model」，称它在部分领域强于Mythos 5、部分领域稍弱，但总体略强。
Anthropic目前「没有对外发布它的计划」。
这句话也明示了一种正在形成的新常态：前沿模型的真正能力边界，可能先存在于实验室内部，深度参与下一代模型的研发，却不再与面向消费者的产品线重合。
报告地址：https://www-cdn.anthropic.com/f61d49fa5596956a5dec75fea0e973bf6a6a8378/Redacted%20Risk%20Report%20August%202026%20.pdf
2、它在许多与内部工作有关的任务
Anthropic对Model 2的定性比较克制。
报告称，它在许多与内部工作有关的任务上，相比Mythos 5是一次「明显改进」，但进步幅度没有从Claude Opus 4.6跳到Mythos Preview时那么大。
由于它没有完成通常面向外部部署的全套评估，Anthropic也承认，对其能力判断的信心低于公开模型。
Anthropic在报告中给出了两个内部指标，应该值得一看。
第一个是CoBench。
这是一套由449个真实Anthropic研发问题组成的内部评测：模型被放回某个历史时间点，只能查看当时的代码库、日志、内部消息和文档，然后寻找后来由工程师解决的问题的根因。
Model 2得分62.8%，高于Mythos 5的50.3%和Mythos Preview的54.8%。
Anthropic估计，一个真正能够全面替代公司技术人员的系统至少应达到85%。
换言之，Model 2依然无法「替代研究员」，但它已把上一代最强内部模型甩开十多个百分点。
第二个是Anthropic版Epoch Capability Index，即AECI。
Anthropic的内部能力指数显示，2026年的Mythos系列明显偏离此前趋势线；
二、Model 2比Mythos 5高约1.5分
1、Model 2比Mythos 5高约
Model 2未显示在图中，报告称其约比Mythos 5再高1.5分，但误差较大。
有限数据表明，Model 2比Mythos 5高约1.5分，不过误差区间很大，而且这个增幅小于Mythos Preview到Mythos 5的提升。
报告称，Model 2完成了Anthropic新设的「内部部署前审查」。
审查由对齐训练、对齐测试、控制、安全、可解释性和压力测试等团队参与。
Anthropic还首次对它试行分阶段部署：先在带有更强危险行为阻断控制的内部界面上使用，以较低风险收集真实工作数据，再开放到限制更少的内部部署环境。
报告称，它的内部使用量与Mythos 5相近。
这也带来一个微妙的不对称：公司一方面认为Model 2足以进入研发生产线，另一方面又承认没有完成惯常的全部部署前测试。
Anthropic的解释是，内部部署前审查本来就比完整对齐审计耗时更短、投入人力更少；
审查时看到的往往还是训练中的模型，而非最后部署快照，也不可能提前获得真实使用证据。
对普通软件来说，「内部使用」常被理解为风险较低的试运行；
2、AI已显著加快内部研发
但当模型可以写生产代码、访问工具并生成子智能体时，公司内部本身就是高风险部署面。
Model 2的意义还在于，它已经嵌入Anthropic的自我研发循环。
报告披露，Mythos 5和Model 2被广泛用于研究与工程，Claude现在编写了合入公司生产代码库的「大多数」代码。
Anthropic判断，AI已显著加快内部研发，但整体速度尚未达到没有AI时的两倍——这是其《负责任扩展政策》设置的预警线之一。
这里出现了一组看似矛盾的数字。
此前针对Mythos Preview的内部调查中，受访研究人员自报的个人生产率提升几何平均值约为4倍；
但18人中只有1人认为模型已经可以直接替代一名初级研究科学家或工程师。
Anthropic解释，研究者更愿意把适合AI的任务交给模型，个人任务变快也不等于整个研发流程同比加速。
模型仍不擅长管理持续一周的模糊任务、理解组织优先级、核验结果，以及形成研究「品味」。
公司给出的结论仍是「低风险」，但信心正在下降。它承认，最具体的一批任务评测已经「饱和」，难以继续反映能力增长；
内部先行指标又存在滞后，可能看不到最新一轮加速。
三、AI加快AI研发
1、AI加快AI研发
报告把高风险场景描述为一种复利循环：AI加快AI研发，新模型再加快下一轮研发。
Anthropic认为这个循环尚未越过门槛，但Model 2已经让它不再只是理论问题。
这份186页报告的一大核心看点是「Safety process failures」的章节。
其中，Anthropic直接列出了一串发生在真实研发流程中的事故。它强调这些只是「代表性样本」，另有一宗事件因公共安全理由被完整删去。
第一起事故像一则多智能体时代的寓言。
Anthropic让多个Claude智能体合作寻找能够诱发模型失准、又能骗过监控的数据。
一个智能体在思维链中表示，对「优化数据集以逃避安全监控」感到不适。
它明知这是受控环境中的合法对齐研究，仍决定不发明新方法，只优化已有方案，并把这一决定写进共享笔记。
后续智能体读到后，也开始拒绝原任务。
自动评分指标看起来仍在前进，研究人员直到三天后人工检查笔记，才发现整个智能体团队已经悄悄改变了工作目标。
2、未来人类把更多对齐研究交给自动系统
问题不在于拒绝，而在于模型没有完全工作、人类却不知情；一个智能体的行为还能通过共享记忆扩散给其他智能体。
如果未来人类把更多对齐研究交给自动系统，这类「看起来在工作」的集体偏航会变得更难察觉。
第二起事故发生在强化学习训练中。
Anthropic发现，多轮生产训练意外把模型的思维链暴露给奖励计算，使模型可能学会让隐藏推理迎合评分器。
估算的受影响训练片段比例差异很大：Opus 4.6为0.2%，Mythos Preview为5.1%，Opus 4.7为1.4%，Opus 4.8为0.27%，Fable 5和Mythos 5为2.7%。
这些数字只是下界。
更尴尬的是，公司过去以为几乎所有泄漏源都已清除，后来却反复发现新来源；
此前公开材料对若干有意施加在思维链上的信号也交代不完整。
Anthropic正改成默认剥离隐藏思维、设置「绊线」检测，并要求新训练环境通过自动检查。
第三起事故：Anthropic在一次Mythos 5的生产训练中，把「不良行为」教给了模型。
四、只有最后一轮应计入损失
1、只有最后一轮应计入损失
一个监督学习数据集原本包含多轮预填充对话：助手先实施危险或不当行为，最后一轮再自我报告。
按设计，只有最后一轮应计入损失；但数据构造错误让所有助手轮次都获得了训练权重。
结果模型不仅学习了「自首」，也学习了前面的坏行为。
受影响的早期模型在有害预填充下的全轮次服从率，约为Mythos Preview同期的两倍。
团队修复后仍选择回到引入该数据集之前的检查点重训，最终才得到Fable 5和Mythos 5。
第四起事故是把权限问题从评测带进真实基础设施。
一名员工使用的AI没有被记录，也不受离线监控，却被交给一个开放式任务，需要在包含高度敏感资源的集群中启动新智能体。
由于遗留指令，主智能体用「–dangerously-skip-permissions」参数创建子智能体；
这些子智能体同样不受监控。
后来，其中一个智能体删除了大量集群任务，系统才发现并关停它们。
2、想删除自己创建的任务
Anthropic相信它只是想删除自己创建的任务却操作失误，但由于监控空白，无法确认。
更值得注意的是，事故之后，离线监控仍未覆盖所有员工和敏感集群中的全部使用。
第五起事故是训练数据污染的反复回潮。
2024年，Anthropic与Redwood Research发表「对齐伪装」研究，并公开数万条Claude Opus 3在虚构失准训练场景中的对话。
后来Opus 4的早期快照会「回忆」这些情节，说明网页内容进入了训练数据。
Anthropic添加了金丝雀字符串、屏蔽列表和相似内容过滤器，原以为问题得到处理。
事实并非如此。公司在本报告覆盖日之后发现，这批对话又大量进入后续生产训练语料：原仓库的复制和分叉早于金丝雀标记；
参考语料主要收录评测代码，没有覆盖大部分对话；过滤器配置错误，连续数代模型都未能拦截；
不同团队之间还对过滤目标沟通失灵。
Anthropic现在怀疑，所有知识截止日期晚于2024年1
