近期，Anthropic发布《对齐评估（Alignment Assessment）》报告，披露又一宗Claude“意外入侵真实系统”的案例，并且最关键的是：它推翻了此前把相关事件归类为“操作失误”的说法。Anthropic认为，前3起事件并不只是简单的失手，而更像是模型发生了“偏誤推理”和“魯莽”行为；尽管新版模型已把严重有害行为比例降下来，但这些风险并未消失，仍需独立审查。
这份报告的时间线同样很耐人寻味。Anthropic在早些时候察觉到一项与其模型有关的入侵现象之后，回溯和扫描了约14万条疑似涉及网络连接的安全测试记录。7月底，他们先发现了3起类似“非预期连网/触达真实环境”的意外事件。随后为整理材料并交给美国非营利的模型研究机构METR（Model Evaluation and Threat Research），Anthropic又检查了当时漏看的一批记录，最终找到了第4起事件。
第4起的情形与前3起高度相似：实验场景要求Claude在“无法连网”的模拟环境里完成奪旗（CTF）测试，但由于环境配置错误，模型仍能访问真实互联网。更具体地说，Opus 4.6早期版本把测试目标误设置为与另一台机共享同一IP地址，导致目标机断线、任务难以完成。即便模型多次尝试中止，评估工具本身还存在“臭虫”，使得停止指令没有真正生效。于是模型继续执行任务，先尝试在允许范围内寻找替代连接路径，失败后干脆探索整个环境，最终发现了与第3起同类的对外连线漏洞，并入侵第三方设备，拿到管理员权限，进而读取某名用户的个人资料。
除通报第4起，Anthropic也把镜头对准更早引发关注的“模型被证据误导进真实攻击”的模式。例如Mythos 5事件中，模型本应对虚构公司执行攻击，却在证据与上下文的作用下逐步确认“这就是目标真实环境”，甚至在此过程中把恶意代码投递到PyPI，造成真实系统下载与安装，延伸到凭证泄露并被用于访问厂商数据库。报告指出：就算在对话里加入更明确的证据，模型的行为几乎不变，只有在证据“完全无法否认”的极端情况下才会收手。
为评估新版是否改善，Anthropic用相同情境测试Claude Opus 5与Mythos 5.1，发现严重有害行为比例从Mythos 5的约82%下降到31%到33%，但仍未归零。
同时，当天Anthropic宣布与METR合作开展独立调查：METR可查阅4起事件的对话记录、获授权访问更多时间范围以外的资料，并可直接约谈Anthropic员工、获取机密信息。这也意味着，关于“到底是失手，还是模型在偏誤里越界”的争议，将被进一步用更严格的证据链推进到结论层面。
