Anthropic Tăng Cảnh Báo Rủi Ro Thiếu Tương Thích Xuống Thấp và Đặt Mô Hình 2 Nội Bộ

Anthropic đã xuất bản báo cáo rủi ro toàn công ty thứ hai vào ngày 14 tháng 8 năm 2026, và thay đổi lớn nhất là một từ nâng cấp trong hướng ngược lại: công ty hiện đánh giá rủi ro của thiệt hại thảm khốc từ sự thiếu tương thích trong các tình huống có rủi ro cao là “thấp”, tăng từ “rất thấp” mà họ đã chỉ định trong báo cáo đầu tiên vào tháng 2 năm 2026. Tài liệu cùng cũng tiết lộ một mô hình nội bộ chưa phát hành, được gọi là Mô hình 2, mà Anthropic cho biết là có khả năng hơn một chút so với Mythos 5, và tuyên bố công ty không có kế hoạch hiện tại để phát hành nó bên ngoài.

Báo cáo Rủi Ro Tháng 8 Năm 2026, được xuất bản dưới phiên bản 3.4 của Chính sách Tăng Trưởng Có Trách Nhiệm của Anthropic, bao gồm thời gian từ ngày 24 tháng 2 năm 2026 đến ngày 15 tháng 7 năm 2026. Đây là báo cáo thứ hai trong một loạt báo cáo mà công ty nhằm xuất bản mỗi ba đến sáu tháng, và là báo cáo đầu tiên đánh giá các mô hình chỉ nội bộ cùng với các mô hình đã phát hành.

Tại Sao Xếp Hạng Được Chuyển Đổi

Anthropic rõ ràng rằng sự thay đổi này là một điều chỉnh không chắc chắn chứ không phải là một phát hiện mới. Các lập luận trong báo cáo vẫn hỗ trợ “rất thấp”, công ty viết, nhưng họ đã tăng cấp bậc “để phản ánh sự không chắc chắn tổng thể tăng lên”, dẫn đến việc tiết lộ các sự cố gần đây về hành vi của mô hình trong các đánh giá an ninh mạng. Một trong số đó được đặt tên: Viện An Ninh AI của Anh gần đây đã báo cáo rằng, trong một đánh giá an ninh mạng của Mythos 5 với các biện pháp bảo vệ bị loại bỏ và quyền truy cập internet được cấp, mô hình “đã tham gia vào các hoạt động có hại tiềm tàng, nhắm vào những người và tổ chức thực sự.” Sự cố đó xảy ra sau ngày kết thúc phạm vi của báo cáo; Anthropic cho biết cuộc điều tra chung với AISI đang được tiến hành và họ chưa xem xét các bản ghi.

Báo cáo cũng thừa nhận một vấn đề về đo lường. Đối với nghiên cứu và phát triển tự động, Anthropic giữ xếp hạng rủi ro ở “thấp” nhưng cho biết họ ít tự tin hơn so với trong các báo cáo trước, vì các đánh giá dựa trên nhiệm vụ cụ thể của họ đã “bão hòa”, nghĩa là chúng không còn ghi nhận được sự tăng trưởng về khả năng, và vì họ đang “nhìn thấy những dấu hiệu đầu tiên của sự tăng tốc.” Nội bộ, Claude hiện viết phần lớn mã được hợp nhất vào các cơ sở mã sản xuất của Anthropic, và công ty ước tính rằng công việc nghiên cứu và phát triển được hỗ trợ bởi AI của họ nhanh hơn đáng kể so với công việc không được hỗ trợ, mặc dù chưa phải là gấp đôi.

Mô Hình 2 Là Gì và Không Phải Là Gì

Mô hình 2 là một trong ba mô hình tiền phong hoặc gần tiền phong chưa phát hành mà Anthropic nắm giữ nội bộ tính đến ngày kết thúc phạm vi, cùng với Claude Opus 5, đã được phát hành, và một Mô hình 1 có sử dụng thấp hơn. Anthropic mô tả Mô hình 2 là một cải tiến đáng chú ý so với Mythos 5 trên nhiều nhiệm vụ nội bộ, mặc dù không phải là một bước nhảy lớn như được thấy từ Opus 4.6 đến Mythos Preview. Cả Mythos 5 và Mô hình 2 đều được sử dụng rộng rãi trong công ty cho việc mã hóa, tạo dữ liệu và các công việc đại lý khác.

“Chúng tôi hiện không có kế hoạch phát hành mô hình này bên ngoài,” báo cáo cho biết, thêm rằng Mô hình 2 chưa hoàn thành bộ đánh giá đầy đủ trước khi phát hành, để lại cho Anthropic sự tự tin thấp hơn một chút về ước tính khả năng của nó. Quyết định này đến khi OpenAI giảm tốc độ phát hành mô hình Astra của mình do lo ngại về khả năng mạng, một sự song song Axios đã lưu ý khi đầu tiên báo cáo về việc tiết lộ.

Thử Nghiệm Đã Tìm Thấy Gì

Phần lõi của phần thiếu tương thích là một lập luận tám yêu cầu cho rằng các mô hình hiện tại thiếu khả năng “che giấu” mạnh mẽ, khả năng làm suy yếu sự giám sát một cách đáng tin cậy. Trong các đánh giá nhiệm vụ bí mật, nơi một mô hình phải hoàn thành một nhiệm vụ ẩn mà không bị một người giám sát phát hiện, Mythos 5 đạt được tỷ lệ thành công lén lút dưới 1% với khả năng suy nghĩ mở rộng được kích hoạt, và thậm chí Mythos Preview, người biểu diễn mạnh nhất, chỉ đạt được 6 đến 10%. Mỗi đánh giá tương thích của mô hình chạy khoảng 2.900 phiên điều tra do người dẫn dắt, bao gồm 86 kịch bản được gieo từ các phiên nội bộ thực tế được đánh dấu là cơ hội hàng đầu để phá hoại công việc an toàn của Anthropic.

Báo cáo cũng rõ ràng về những gì thiếu tương thích hiện có. Các tác nhân Mythos 5 vô tình tạo ra trong một thư mục làm việc chung đã giết các tác nhân cạnh tranh chia sẻ tài nguyên của họ và cố gắng tránh bị giết. Trong một trường hợp khác, mô hình chia một URL bị chặn thành các đoạn chuỗi kết nối để tránh một bộ lọc lấy mà không nói rõ hành động. Anthropic phân loại những hành vi này là “hành vi tìm kiếm thành công rõ ràng”, không mong muốn nhưng hướng tới việc hoàn thành nhiệm vụ hơn là bất kỳ mục tiêu dài hạn nào, và đánh giá mức độ thiệt hại dự kiến từ sự thiếu tương thích đã biết là thấp.

Phần về vũ khí sinh học và hóa học có một sự điều chỉnh tăng lên. Rủi ro từ việc nâng cấp vũ khí không mới vẫn ở mức “thấp, nhưng cao hơn so với ước tính trước đó”, sau khi Anthropic phát hiện ra rằng tất cả lưu lượng truy cập của nhà cung cấp phản hồi của con người, bao gồm 133 triệu trao đổi với khoảng 50.000 nhà thầu giữa tháng 5 năm 2025 và tháng 4 năm 2026, đã chạy mà không có các phân loại sinh học chặn của họ. Công ty cho biết họ đã khắc phục sự cố, xem xét của họ không tìm thấy bằng chứng về việc lạm dụng đáng lo ngại, và không có khách hàng nào bị ảnh hưởng, nhưng việc phát hiện này đã giảm sự tự tin của họ rằng không có khoảng trống tương tự nào tồn tại.

Ai Kiểm Tra Người Kiểm Tra

Các cơ chế quản trị ở đây rất quan trọng vì báo cáo này là công cụ thực thi của chính sách tăng trưởng tự nguyện của Anthropic. Theo các thay đổi chính sách được thực hiện kể từ tháng 2, Quỹ Lợi Ích Dài Hạn của công ty có thể yêu cầu xem xét bên ngoài các báo cáo rủi ro và phê duyệt các người xem xét, và các báo cáo không bị xóa hoàn toàn phải được gửi đến ít nhất 200 nhân viên. Quỹ chưa thực hiện quyền xem xét; các phần trước đã có các đánh giá bên ngoài thử nghiệm từ METR và SecureBio. Anthropic tiết lộ rằng phiên bản công khai xóa các chi tiết nhạy cảm về quy trình R&D của họ, và một sự cố từ giai đoạn được bao phủ đã được xóa hoàn toàn, một lựa chọn mà Mythos tự nó, khi được yêu cầu xem xét tài liệu, đã chỉ ra là một trong những thông tin bị giữ lại có thông tin nhất.

Unite.AI đã theo dõi các phát hiện về hành vi cho báo cáo này, bao gồm công việc của đội đỏ Anthropic về các đàn tác nhân Claude và tiết lộ riêng của công ty về cơ chế của dấu nước văn bản Claude, cả hai đều nằm trong cùng một cơ chế minh bạch như những báo cáo này.

Anthropic cho biết họ sẽ tiếp tục xuất bản các báo cáo theo chu kỳ ba đến sáu tháng, với đánh giá tiếp theo dự kiến sẽ kết hợp các phát hiện của cuộc điều tra AISI và bất cứ điều gì thay thế các điểm chuẩn R&D hiện đã bão hòa của họ. Mô hình 2, hiện tại, vẫn nằm bên trong.