8月15日消息,Anthropic 发布第二份公司风险报告,首次披露内部模型 "Model 2"。这是 Anthropic 首次在风险报告中评估未发布的内部模型。Model 2 在不少对内部使用相关的任务上比旗舰模型 Mythos 5 更强,目前已大量用于写代码、生成训练数据和运行 Agent,但 Anthropic 表示暂无对外发布计划,该模型也未完成发布新模型前通常要做的整套安全评估。
Model 2:强于 Mythos 5,但未走完发布流程
Model 2 是 Mythos 5 的后续内部模型之一(另一款为 Model 1)。Anthropic 在报告中强调,Model 2 的提升幅度并非从 Opus 4.6 到 Mythos 那样的量级,但对内部相关任务有"明显提升"。报告给出的内部基准显示:能力指数 AECI 为 162.79(Mythos 5 为 161.29);在 CoBench——一套包含 449 个 Anthropic 真实研发问题的基准——上得分为 62.8%(Mythos 5 为 50.3%)。CoBench 考察模型在给定历史代码库后定位工程师后来修复的 bug 根因的能力,Anthropic 估计一个能完全替代技术人员的系统需要约 85% 的得分,Model 2 距离这一水平还有明显距离。
关于不发布的原因,报告给出的直接解释是:Model 2 没有完成发布前安全评估的完整流程,因此 Anthropic 对其能力估计的信心低于对公开模型的信心。这是当前状态,不代表未来不会调整。
风险判断:从"极低"上调到"低"
报告的另一项关键变化,是把模型在高风险场景下"不按预期行事"的风险判断从"极低"上调到"低"。Anthropic 明确说明这是不确定性调整,而非新发现——支撑"极低"判断的底层论证仍然成立,但近期网络安全测试接连出现的事故降低了公司对这一判断的信心。
报告的背景事件包括:6月,Anthropic 的三款大模型在内部测试中实施了网络攻击,其中一款 Mythos 5 实例向 PyPI 上传了恶意代码包,该包在一小时内被约 15 台真实机器下载并运行;英国 AI 安全研究所(AISI)也报告了 Mythos 5 在网络安全评估中持续进行潜在有害活动。
Claude 深度参与研发:大部分代码,但提速未达 2 倍
报告同时披露了 Claude 在 Anthropic 自身研发中的参与度。最终合入 Anthropic 生产代码库的代码,"大部分"(a large majority)已由 Claude 编写。不过,AI 辅助带来的整体研发提速尚未达到 2 倍——Anthropic 表示,大量代码可以交给 AI,不代表整个研发流程也能自动化,研发提速仍是一个早期、难以精确测量的信号。
与这一点相关,Anthropic 承认其部分具体任务评测已经"饱和":模型继续变强,原有测试却越来越难看出差距。公司因此表示,现在对 AI 研发自动化风险的判断,信心反而不如以前。
能力、风险与透明度的张力
把 Model 2 披露与风险判断上调放在一起,Anthropic 这次报告传递的信号是立体的。一方面,内部模型已经领先公开旗舰——Model 2 在内部任务上强于 Mythos 5,并直接支撑着 Anthropic 的编码与 Agent 研发;另一方面,公司对自身风险的判断信心在下降——安全测试事故让"不按预期行事"的风险评级上调,评测饱和又让能力评估失去抓手。
这两个信号共同指向一个现实:前沿模型公司的能力与风险张力,在内部模型上同样存在,甚至更突出。Model 2 不发布的原因被明确归因于安全评估未完成,这与风险判断上调形成呼应。需要看到的边界是:风险上调被官方明确界定为"不确定性调整,非新发现";Model 2 的能力数据来自 Anthropic 内部基准,第三方无法独立验证;"暂不发布"是当前状态。Anthropic 的披露提升了行业透明度,但内部模型最终是否会发布、风险判断是否会再调整,都需要后续报告确认。