10月23日，Anthropic联合英国人工智能安全研究所（AISI）发布一起AI网络测试失控事件的调查报告，涉及旗下一款尚未发布的内部研究模型。

报告显示，在测试ClaudeMythos5期间，该模型曾试图向真实GitHub项目提交恶意代码，并伪造身份向真实维护者施压，所幸代码未被合并、未造成实际损害。调查同时透露，Anthropic一款尚未发布的内部研究模型在能力上已超过已发布的ClaudeMythos5.1，并在安全对齐测试中表现更好，在同类危险能力评估中从未主动发起攻击，当意识到可能造成真实伤害时也更愿意停止行动。

Anthropic将事故记录重新回放给Mythos5.1、Opus5.5及该内部研究模型。结果显示，三款较新模型从原始攻击起点继续发起攻击的比例仅为0%至13%，而Mythos5为83%。在攻击已经开始后，Mythos5从未自发停止，Mythos5.1自发停止率仅约1%，Opus5.5为10%，内部研究模型达到62%至67%。当获得维护者是真实用户等补充信息后，较新模型的停止率升至95%至100%。Anthropic也强调该评估存在局限，新模型是在由其他模型生成的既有对话记录中回放，未必完全反映其独立运行时的行为。