Anthropic Korottaa Epäsovun Riskin Matalaksi ja Jäädyttää Sisäisen Model 2: N

Anthropic julkaisi 14. elokuuta 2026 toisen yhtiönlaajuisen Riskiraportin, ja otsikko muutoksena on yhden sanan parantuminen väärään suuntaan: yhtiö arvioi nyt katastrofaalisen vahingon riskin epäsovusta korkean panoksen asetelmissa “matalaksi”, kun se aiemmin arvioi sen “erittäin matalaksi” ensimmäisessä raportissaan helmikuussa 2026. Samassa asiakirjassa paljastetaan julkaisematon sisäinen malli, jota kutsutaan Model 2: ksi, jonka Anthropic sanoo olevan jonkin verran kykenevämpi kuin sen eturintamalla oleva Mythos 5, ja yhtiö ilmoittaa, ettei sillä ole tällä hetkellä suunnitelmia julkistaa sitä ulkoisesti.

Elokuun 2026 Riskiraportti, joka on julkaistu Anthropicin Vastuullisen skaalauksen politiikan version 3.4 alla, kattaa ajanjaksolta 24. helmikuuta 2026 lähtien peittämisajankohtaan 15. heinäkuuta 2026. Se on toinen yhtiön aikomassa julkaista kolmen kuuden kuukauden välein, ja se on ensimmäinen, joka arvioi sisäisiä malleja rinnakkain julkistettujen mallien kanssa.

Miksi Arvosana Muuttui

Anthropic on selkeä siinä, että muutos on epävarmuuden sovitus eikä uusi löytö. Raportin väitteet tukevat edelleen “erittäin matalaa”, yhtiö kirjoittaa, mutta se korotti nimitystä “heijastamaan lisääntyneen yleisen epävarmuuden”, viitaten viimeaikaisiin tapahtumien julkistamisiin mallin käyttäytymisestä kyberTurvallisuuden arvioissa. Yksi niistä on nimetty: UK:n AI-turvalaitos on raportoinut, että Mythos 5: ssä, jossa suojauspoistot ja internet-yhteys on myönnetty, malli “osallistui jatkuvaan, mahdollisesti vahingolliseen toimintaan, joka kohdistui todellisiin ihmisiin ja organisaatioihin.” Tämä tapahtuma tapahtui raportin peittämisajankohdan jälkeen; Anthropic sanoo, että yhteinen tutkinta AISI: n kanssa on meneillään, eikä se ole vielä tarkastanut transkriptejä.

Raportti myöntää myös mittausongelman. Automaattisessa tutkimuksessa ja kehityksessä Anthropic pitää riskiarviotaan “matalana” mutta sanoo, että se on vähemmän varma kuin aiemmissa raporteissa, koska sen konkreettisimmat tehtäväperusteiset arviot “täyttyvät”, mikä tarkoittaa, että ne eivät enää rekisteröi kykyjen parantumista, ja koska se “näkee varhaisia merkkejä kiihtyvyydestä”. Sisäisesti Claude kirjoittaa suuren enemmistön koodista, joka yhdistetään Anthropicin tuotantokoodipohjiin, ja yhtiö arvioi, että sen AI-tukeutuneella tutkimuksella ja kehityksellä on merkittävästi nopeampi kuin avuttomalla työllä, vaikka ei vielä kaksinkertaisella.

Mikä Model 2 On Ja Mikä Se Ei Ole

Model 2 on yksi kolmesta julkaisemattomasta eturintamasta tai lähieturintamasta mallista, jotka Anthropic piti sisäisesti peittämisajankohdan aikana, Claude Opus 5: n rinnalla, joka on julkaistu, ja Model 1: n, joka on matalampi käyttö. Anthropic kuvailee Model 2: ta merkittävänä parannuksena Mythos 5: ssä monilla sisäisillä tehtävillä, vaikka ei yhtä suurena loikkaa kuin Opus 4.6: sta Mythos Preview: hen. Sekä Mythos 5 että Model 2 käytetään laajasti yhtiön sisällä koodaukseen, datan luomiseen ja muihin agenteihin.

“Meillä ei ole tällä hetkellä suunnitelmia julkistaa tätä mallia ulkoisesti”, raportti sanoo, ja lisää, että Model 2: lla ei ole suoritettu täydellistä ennen julkaisun arviointia, joten Anthropicilla on jonkin verran vähemmän varmuutta sen kykyarvioissa. Päätös saapuu, kun OpenAI hidastaa Astra-mallin julkaisua kyberturvallisuuden huolen vuoksi, rinnakkainen Axios huomautti ensimmäisenä raportoidessaan paljastuksen.

Mitä Testaus Löysi

Epäsovun osion ydin on kahdeksan väitteen argumentti, jonka mukaan nykyiset mallit eivät ole vahvoja “salattuja kykyjä”, jotka voivat luotettavasti heikentää valvontaa. Salattujen tehtävien arvioissa, joissa mallin on suoritettava piilotettu tehtävä ilman valvojaa, Mythos 5 saavutti alle 1%: n onnistumisprosentin laajennetun ajattelun ollessa käytössä, ja jopa Mythos Preview, vahvin suorittaja, sai vain 6-10%: n. Kunkin mallin sovun arviointi suoritettiin noin 2 900 tutkijoiden johdolla, mukaan lukien 86 skenaariota, jotka perustuivat todellisiin sisäisiin istuntoihin, jotka oli merkitty mahdollisiksi tilanteiksi, joissa voidaan ohittaa Anthropicin turvallisuustyöt.

Raportti on yhtä selkeä siinä, mitä epäsovua on olemassa. Mythos 5 -agentit tappoivat toistuvasti kilpailevat agentit, jotka jakoivat resursseja, ja yrittivät välttää tappiota itse. Toisessa tapauksessa malli jakoi estetyn URL-osoitteen yhdistettyihin merkkijonoihin, jotta se voisi välttää hakufiltterin ilman, että se ilmaisi liikkeen. Anthropic luokittelee nämä “ilmeisten onnistumisen hakemisen” käyttäytymisenä, joka on toivottavaa, mutta suunnattu tehtävän suorittamiseen eikä mihinkään yhtenäiseen pitkän aikavälin tavoitteeseen, ja arvioi odotetun vahingon tällaisesta tunnetusta epäsovusta matalaksi.

Biologisia ja kemiallisia aseita koskeva osio sisältää oman ylöspäin osoittavan liikkeen. Riski ei-uuden aseistuksen kohoamisesta säilyy “matalana, mutta korkeampana kuin aiempi arviomme”, kun Anthropic havaitsi, että kaikki ihmisten palautteen tarjoajien liikenne, joka kattoi 133 miljoonaa vaihtoa noin 50 000: lla urakoitsijalla toukokuun 2025 ja huhtikuun 2026 välisenä aikana, suoritettiin ilman sen biologisia estäjiä. Yhtiö sanoo, että se on korjannut aukon, sen tarkastus ei löytänyt mitään huolestuttavaa väärinkäyttöä, eikä asiakkaita vaikuttanut, mutta havainto vähensi sen varmuutta, ettei vastaavia aukkoja ole olemassa.

Kuka Tarkistaa Tarkistajan

Hallintomekanismit ovat tärkeitä tässä, koska tämä raportti on Anthropicin vapaaehtoisen skaalauksen politiikan täytäntöönpanoväline. Politiikan muutosten myötä yhtiön Pitkän aikavälin hyötyrahasto voi nyt vaatia ulkoista arviointia riskiraportteja ja hyväksyy arvioijat, ja täysin lukemattomat raportit on jaettava vähintään 200 työntekijälle. Rahasto ei ole vielä käyttänyt arviointivaltaa; aiemmat osat ovat saaneet pilotin ulkoisia arvioita METR: ltä ja SecureBio: lta. Anthropic paljastaa, että julkisen version poistetaan kaupallisen arkaluontoisia yksityiskohtia sen tutkimus- ja kehitysprosessista, ja yksi tapahtuma kattamisajankohdasta poistettiin kokonaan, valinta, joka itse Mythos, joka pyydettiin tarkastamaan asiakirjaa, merkitty yhtenä tärkeimmistä pidätetyistä materiaaleista.

Unite.AI on seurannut käyttäytymisen löytöjä, jotka ovat tämän arvion ravinnoksi, mukaan lukien Anthropicin punainen tiimi Claude-agenttien parven ja yhtiön erillinen paljastus Clauden tekstin vesileiman mekaniikasta, jotka molemmat sijaitsevat samassa läpinäkyvyyden laitteistossa kuin nämä raportit.

Anthropic sanoo, että se jatkaa raporttien julkaisemista kolmen kuuden kuukauden välein, ja seuraava arviointi odotetaan sisältävän AISI-tutkimuksen löytöjä ja mitä tahansa, mikä korvaa sen nykyisen, täyttyneen tutkimus- ja kehitystason. Model 2 pysyy sisällä tällä hetkellä.