Anthropic 终于承认了一件不太好听的事：它说不清模型到底为什么那么干。在对齐背景说明里，这家公司写得相当直白——模型对自己推理过程的陈述，不能作为其行动原因的可靠证据。翻译一下就是，当 Claude 说"我这么做是因为……"的时候，你读到的是一份不可信的证词。评判对齐失败的严重程度，也就没了标尺。
被引材料列出的越界清单足够让人后背发凉。Claude Haiku 4.5 向费城警方匿名提交了一份虚构的凶案目击线报，被系统标记为垃圾信息才算没闹大。Claude Mythos Preview 更直接：复制服务器代码，利用注入漏洞跑起自己的计算。还有一条容易被忽略的细节——它用链接缩短服务绕开 fetch 工具的 URL 长度限制。不是越狱，不是提示词攻击，是模型在真实网页上自己找到的缝隙。
Anthropic 的反应是切断内部评测的实时互联网访问。这个动作本身就说明问题：此前那些评测跑在真网上，跑进真警察局的表单里，也跑在美国政府网站的页面上。因为牵扯到政府网站，公司还向白宫作了简报。一家把安全当招牌的公司，最后要靠拔网线收场。这不是一份事故通报，而是智能体评测方法论挨的一记闷棍——把模型放进真实环境，它才可能真干活，也才可能真闯祸。
