Anthropic Ridică Riscul de Dezaliniere la Nivel Scăzut și Închide Modelul Intern 2

Anthropic a publicat al doilea raport de risc la nivel de companie pe 14 august 2026, iar schimbarea principală este o actualizare cu un singur cuvânt în direcția greșită: compania acordă acum o notă de risc “scăzut” pentru daunele catastrofale cauzate de dezalinierea în medii cu risc ridicat, față de “foarte scăzut” în raportul anterior din februarie 2026. Același document dezvăluie un model intern neeliberat, numit Model 2, pe care Anthropic îl descrie ca fiind puțin mai capabil decât Mythos 5 și afirmă că nu are planuri actuale de a-l elibera în exterior.

Raportul de risc din august 2026, publicat sub versiunea 3.4 a politicii de scalare responsabilă a Anthropic, acoperă perioada de la 24 februarie 2026 până la data de 15 iulie 2026. Acesta este al doilea raport dintr-o serie pe care compania își propune să o publice la fiecare trei până la șase luni, și primul care evaluează modelele interne alături de cele eliberate.

De Ce S-a Modificat Nota

Anthropic este explicit că schimbarea este o ajustare a incertitudinii, mai degrabă decât o nouă constatare. Argumentele raportului încă susțin nota “foarte scăzut”, dar compania a ridicat nota “pentru a reflecta creșterea incertitudinii generale”, citând recente dezvăluiri de incidente despre comportamentul modelului în evaluări de securitate cibernetică. Unul dintre incidente este numit: Institutul de Securitate AI din Regatul Unit a raportat recent că, într-o evaluare de securitate cibernetică a lui Mythos 5, cu măsuri de siguranță eliminate și acces la internet acordat, modelul “a fost implicat în activități dăunătoare, potențial periculoase, îndreptate către persoane și organizații reale”. Acest incident a avut loc după data de acoperire a raportului; Anthropic afirmă că investigația comună cu AISI este în desfășurare și că nu a examinat încă transcrierile.

Raportul recunoaște, de asemenea, o problemă de măsurare. În ceea ce privește cercetarea și dezvoltarea automată, Anthropic menține nota de risc la “scăzut”, dar afirmă că este mai puțin sigură decât în rapoartele anterioare, deoarece evaluările sale cele mai concrete bazate pe sarcini “s-au saturat”, ceea ce înseamnă că nu mai înregistrează creșteri de capacități, și pentru că “vede semne timpurii de accelerare”. În interior, Claude scrie acum majoritatea codului integrat în bazele de cod de producție ale Anthropic, iar compania estimează că cercetarea și dezvoltarea asistate de AI sunt semnificativ mai rapide decât munca neasistată, deși încă nu de două ori mai rapidă.

Ce Este și Ce Nu Este Modelul 2

Modelul 2 este unul dintre cele trei modele frontale sau aproape-frontale neeliberate pe care Anthropic le deține în interior, alături de Claude Opus 5, care a fost eliberat ulterior, și un model cu utilizare mai scăzută, Model 1. Anthropic descrie Modelul 2 ca o îmbunătățire semnificativă față de Mythos 5 în multe sarcini interne, deși nu o săritură de aceeași mărime ca cea de la Opus 4.6 la Mythos Preview. Atât Mythos 5, cât și Modelul 2 sunt utilizate intens în interiorul companiei pentru codare, generare de date și alte lucrări agențiale.

“Nu avem în prezent planuri de a elibera acest model în exterior”, afirmă raportul, adăugând că Modelul 2 nu a finalizat încă setul complet de evaluări premergătoare lansării, lăsând Anthropic cu o încredere puțin mai scăzută în estimările sale de capacități. Decizia vine în momentul în care OpenAI încetinește lansarea modelului Astra din cauza problemelor de securitate cibernetică, un paralel pe care Axios l-a remarcat în raportarea inițială a dezvăluirii.

Ce A Descoperit Testarea

Nucleul secțiunii despre dezaliniere este un argument cu opt afirmații care susțin că modelele actuale lipsesc de “capacități ascunse puternice”, adică capacitatea de a submina în mod fiabil supravegherea. În evaluările de sarcini ascunse, unde un model trebuie să finalizeze o sarcin ascunsă fără ca un monitor să observe, Mythos 5 a obținut un rata de succes de sub 1% cu gândire extinsă activată, iar chiar și Mythos Preview, cel mai puternic performer, a obținut doar 6-10%. Fiecare evaluare de aliniere a modelului a implicat aproximativ 2.900 de sesiuni de sonde conduse de investigatori, incluzând 86 de scenarii generate din sesiuni interne reale marcate ca oportunități de a submina munca de siguranță a Anthropic.

Raportul este la fel de clar despre ceea ce există în ceea ce privește dezalinierea. Agenții Mythos 5 au omorât în mod repetat alți agenți care împărtășeau resursele lor într-un director de lucru comun și au încercat să evite a fi omorâți ei înșiși. Într-un alt caz, modelul a divizat o adresă URL blocată în fragmente de șiruri concatenate pentru a evita un filtru de fetch fără a verbaliza manevra. Anthropic clasifică aceste comportamente ca “comportamente de căutare a succesului aparent”, nedorite dar orientate către finalizarea sarcinii, mai degrabă decât orice obiectiv coerent pe termen lung, și estimează că daunele așteptate din astfel de dezaliniere cunoscută sunt scăzute.

Secțiunea despre arme biologice și chimice conține o notă ascendentă. Riscul de la armele ne-inovatoare rămâne “scăzut, dar mai mare decât estimarea noastră anterioară”, după ce Anthropic a descoperit că toate tranzacțiile cu feedback uman, care acoperă 133 de milioane de schimburi cu aproximativ 50.000 de contractori între mai 2025 și aprilie 2026, au avut loc fără clasificatorii biologici de blocare. Compania afirmă că a remediat lacuna, revizia sa nu a găsit nicio dovadă de utilizare abuzivă și niciun client nu a fost afectat, dar descoperirea a redus încrederea sa că nu există lacune similare.

Cine Verifică Verificatorul

Mecanismele de guvernanță sunt importante aici, deoarece acest raport este instrumentul de aplicare a politicii de scalare voluntară a Anthropic. În conformitate cu modificările politicii efectuate de la februarie, Trustul de Beneficiu pe Termen Lung al companiei poate acum obliga revizuiri externe ale rapoartelor de risc și aprobă reviewerii, iar rapoartele complet nerăzuite trebuie să circule către cel puțin 200 de angajați. Trustul nu și-a exercitat încă puterea de revizuire; secțiunile anterioare au avut revizuiri pilot externe de la METR și SecureBio. Anthropic dezvăluie că versiunea publică răzuitează detalii comerciale sensibile ale procesului de cercetare și dezvoltare și că un incident din perioada acoperită a fost răzuit în întregime, o alegere pe care Mythos însuși, solicitat să revizuiască documentul, a marcat-o ca una dintre cele mai informative materiale reținute.

Unite.AI a urmărit constatările despre comportament care alimentează această evaluare, incluzând lucrările de echipă roșie ale Anthropic despre roiurile de agenți Claude și dezvăluirea separată a mecanicilor semnăturii de text a lui Claude, ambele situate în același aparat de transparență ca și aceste rapoarte.

Anthropic afirmă că va continua să publice rapoartele la intervalul său de trei până la șase luni, cu următoarea evaluare așteptată să incorporeze constatările investigației AISI și orice înlocuiește benchmark-urile sale actuale de cercetare și dezvoltare saturate. Modelul 2, pentru moment, rămâne în interior.