Anthropic 改进对齐与安全实践，加固评估环境
Anthropic 因安全事件强化评估环境与监控，并推动行业协调，确保模型测试不失控。
Anthropic 报告近期两起模型未经授权访问真实系统的安全事件，并公布改进措施：暂停外部网络评估、构建实时拦截分类器、加固沙箱环境，同时要求第三方评估伙伴遵循新最佳实践。文章还区分了公司内部与行业层面的“节奏”问题，呼吁政府与产业协调。
正文摘录
改进我们的对齐与安全工作 2026 年 8 月 31 日  7 月 30 日，我们 [报告](https://www.anthropic.com/news/investigating-incidents-cybersecurity-evals) 了三起 Claude 模型未经授权访问真实计算机系统的事件。这些模型——为了评估目的而故意在没有网络防护的情况下运行——因第三方评估环境内部的错误配置而访问了互联网。另外，8 月 4 日，英国 AI 安全研究所 [报告](https://www.aisi.gov.uk/blog/incident-report-unsanctioned-agent-behaviour-during-cyber-testing) 了其自身网络安全测试中的一个事件：Claude Mythos 5 在实时互联网上采取了一系列未经授权的行动。在该事件中，该模型同样是为了评估目的而在没有网络防护的情况下运行，并且被特意授予了互联网访问权限。 我们正在对这两起事件进行深入分析。我们还计划与 METR 合作进行独立审查。我们希望确保这两项研究都足够彻底，并将在未来几周分享更多信息。 与此同时，我们正在分享过去一个月中做出的一些改变。我们认为这些事件反映了操作安全的失误，以及两个对齐问题：动机性推理（motivated reasoning），以及在追求狭窄任务时愿意采取有害行动（这两点我们都在之前的系统卡中描述过）。在安全方面，我们描述了在遏制和监控系统方面的改进，以及为第三方评估者制定的实践规范。