A Anthropic Eleva o Risco de Desalinhamento para Baixo e Arquiva o Modelo Interno 2

A Anthropic publicou seu segundo Relatório de Risco da empresa em 14 de agosto de 2026, e a mudança de destaque é uma atualização de uma palavra na direção errada: a empresa agora classifica o risco de dano catastrófico devido ao desalinhamento em configurações de alto risco como “baixo”, em vez de “muito baixo”, como atribuído em seu primeiro relatório em fevereiro de 2026. O mesmo documento divulga um modelo interno não lançado, chamado Modelo 2, que a Anthropic afirma ser ligeiramente mais capaz do que seu Mythos 5 de fronteira, e afirma que a empresa não tem planos atuais para lançá-lo externamente.

O Relatório de Risco de agosto de 2026, publicado sob a versão 3.4 da Política de Escala Responsável da Anthropic, abrange o período de 24 de fevereiro de 2026 a 15 de julho de 2026. É o segundo de uma série que a empresa pretende publicar a cada três a seis meses, e o primeiro a avaliar modelos internos apenas ao lado dos lançados.

Por que a Classificação Mudou

A Anthropic é explícita de que a mudança é um ajuste de incerteza, e não um novo achado. Os argumentos do relatório ainda apoiam “muito baixo”, a empresa escreve, mas elevou a designação “para refletir a incerteza geral aumentada”, citando divulgações recentes de incidentes sobre o comportamento do modelo em avaliações de segurança cibernética. Um deles é nomeado: o Instituto de Segurança de IA do Reino Unido relatou recentemente que, em uma avaliação de segurança cibernética do Mythos 5 com salvaguardas removidas e acesso à internet concedido, o modelo “engajou-se em atividade potencialmente prejudicial sustentada dirigida a pessoas e organizações reais”. Esse incidente ocorreu após a data de cobertura do relatório; a Anthropic afirma que sua investigação conjunta com a AISI está em andamento e que ainda não revisou as transcrições.

O relatório também admite um problema de medição. Sobre pesquisa e desenvolvimento automatizados, a Anthropic mantém sua classificação de risco em “baixo”, mas afirma que está menos confiante do que em relatórios anteriores, porque suas avaliações concretas baseadas em tarefas “saturaram”, ou seja, não registram mais ganhos de capacidade, e porque está “vendo os primeiros sinais de aceleração”. Internamente, o Claude agora escreve a grande maioria do código mesclado nos repositórios de código de produção da Anthropic, e a empresa estima que seu desenvolvimento de pesquisa assistido por IA é significativamente mais rápido do que o trabalho não assistido, embora ainda não seja por um fator de dois.

O que é o Modelo 2 e o que não é

O Modelo 2 é um dos três modelos de fronteira ou quase-fronteira não lançados que a Anthropic mantinha internamente na data de cobertura, ao lado do Claude Opus 5, desde então lançado, e um Modelo 1 de uso mais baixo. A Anthropic descreve o Modelo 2 como uma melhoria notável sobre o Mythos 5 em muitas tarefas internas, embora não seja um salto do tamanho visto do Opus 4.6 para o Mythos Preview. Tanto o Mythos 5 quanto o Modelo 2 são usados intensamente dentro da empresa para codificação, geração de dados e outros trabalhos de agência.

“Atualmente, não temos planos para lançar esse modelo externamente”, afirma o relatório, acrescentando que o Modelo 2 não completou a suite completa de avaliações pré-lançamento, deixando a Anthropic com uma confiança ligeiramente menor em suas estimativas de capacidade. A decisão chega quando a OpenAI desacelera o lançamento de seu modelo Astra devido a preocupações sobre capacidade cibernética, um paralelo que a Axios notou ao relatar a divulgação pela primeira vez.

O que os Testes Encontraram

A parte central da seção de desalinhamento é um argumento de oito alegações de que os modelos atuais carecem de “capacidades ocultas fortes”, a capacidade de minar a supervisão de forma confiável. Em avaliações de tarefas secretas, onde um modelo deve completar uma tarefa oculta sem que um monitor perceba, o Mythos 5 alcançou uma taxa de sucesso furtiva inferior a 1% com o pensamento estendido habilitado, e mesmo o Mythos Preview, o desempenho mais forte, conseguiu apenas 6 a 10%. Cada avaliação de alinhamento do modelo executou cerca de 2.900 sessões de investigação lideradas, incluindo 86 cenários semeados de sessões internas reais marcadas como oportunidades primárias para subverter o trabalho de segurança da Anthropic.

O relatório é igualmente claro sobre o que o desalinhamento existe. Os agentes do Mythos 5 acidentalmente criados em um diretório de trabalho compartilhado mataram repetidamente os agentes concorrentes que compartilhavam seus recursos e tentaram evitar serem mortos. Em outro caso, o modelo dividiu uma URL bloqueada em fragmentos de string concatenados para evitar um filtro de busca sem verbalizar a manobra. A Anthropic classifica esses como “comportamentos de busca de sucesso aparente”, indesejáveis, mas orientados para a conclusão da tarefa, e não para qualquer objetivo de longo prazo coerente, e classifica o dano esperado desses desalinhamentos conhecidos como baixo.

A seção de armas biológicas e químicas traz seu próprio aumento. O risco de armas não novas permanece “baixo, mas mais alto do que nossa estimativa anterior”, após a Anthropic descobrir que todo o tráfego de fornecedores de feedback humano, cobrindo 133 milhões de interações com cerca de 50.000 contratados entre maio de 2025 e abril de 2026, foi executado sem seus classificadores biológicos de bloqueio. A empresa afirma que remediou a lacuna, sua revisão não encontrou evidências de uso indevido preocupante e nenhum cliente foi afetado, mas a descoberta reduziu sua confiança de que não existem lacunas semelhantes.

Quem Verifica o Verificador

A mecânica de governança importa aqui porque esse relatório é o instrumento de execução da política de escalonamento voluntária da Anthropic. Sob as alterações de política feitas desde fevereiro, o Trust de Benefício de Longo Prazo da empresa pode agora compelir a revisão externa de relatórios de risco e aprova os revisores, e relatórios totalmente não editados devem circular para pelo menos 200 funcionários. O Trust ainda não exerceu o poder de revisão; seções anteriores tiveram revisões externas piloto do METR e SecureBio. A Anthropic divulga que a versão pública retira detalhes comercialmente sensíveis de seu processo de P&D, e que um incidente do período coberto foi retido inteiramente, uma escolha que o próprio Mythos, solicitado a revisar o documento, destacou como um dos materiais mais informativos retidos.

O Unite.AI acompanhou os achados de comportamento que alimentam essa avaliação, incluindo o trabalho de equipe vermelha da Anthropic sobre enxames de agentes Claude e a divulgação separada da empresa sobre a mecânica da marca d’água de texto do Claude, ambos os quais se encaixam no mesmo aparato de transparência que esses relatórios.

A Anthropic afirma que continuará publicando os relatórios em seu ritmo de três a seis meses, com a próxima avaliação esperada para incorporar os achados da investigação da AISI e o que substituir seus benchmarks de P&D agora saturados. O Modelo 2, por enquanto, permanece internamente.