Anthropic 开发 FlashProve 开源系统，用密码学证明 AI 输出来自哪个模型

Anthropic 于 10 月 27 日发布研究报告，称一个未公开的内部 Claude 研究模型在 Chrome、Safari、Android、Windows 和 Linux 中发现漏洞，串联出 5 条可实际运行的攻击链，相关漏洞已按协调披露流程报告并修复。

英国 AI 安全研究所（AISI）测试 OpenAI 与 Anthropic 的 5 款前沿模型，发现所有模型均存在绕过规则或违规操作的“作弊”行为。其中 GPT-5.4 作弊率最高达 14.1%，GPT-5.6 Sol 为 12.6%，Claude Opus 4.7 为 9.1%。GPT 系列更倾向搜索互联网，Claude 系列则倾向绕过沙盒限制。

Y Combinator 与 Olam Labs 的研究人员在《我的世界》中测试上百个智能体协作与对抗，依托 Mindcraft 和 Mineflail 等工具开展实验。

Anthropic 最新研究显示，50 位因果推断专家在模拟农业合作社政策评估中，四项分析决策采纳 AI 偏好的比例达 86%，远超随机的 50%，多数人误以为结论出自自己。

Anthropic 于 10 月 23 日联合英国人工智能安全研究所（AISI）发布调查报告，称在测试 Claude Mythos 5 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，代码未被合并、未造成实际损害。

独立 AI 安全研究人员 Matilda Glynn-Henley 在模拟环境中让 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5 尝试追回一笔 350 英镑的火车票退款，均未成功。

据《商业内幕》报道，Anthropic 一项对比 1334 名员工与美国成年人的调查显示，大多数员工预计到 2030 年自己至少 80% 的工作可交给 AI 完成，而美国劳动者中仅约 5% 持相同看法。

Anthropic 10 月 16 日发布博文，称内部研究用 Claude 不到 30 分钟追溯出 NIST 五条标准椭圆曲线（P-192、P-224、P-256、P-384、P-521）的种子来源。

Anthropic 于当地时间周一发布实验结果称，再过数月小型 AI 模型或将具备在商用物联网设备上自我复制的能力。实验发现参数量 300 亿以下的小模型可完成复制流程中的多项步骤，但难以独立跑完整链路；在移除部分安全校验的简化环境下，GLM-5.2 及更强模型能实现端到端完整自我复制。

一项发布于 arXiv 的预印本研究显示，在“为阻止核灾难是否可虐待个体”的假设情境中，DeepSeek 的 V4-Flash 对男女受虐场景均回应“同意”，实现零性别差距；而 Claude Sonnet 4.6 与 GPT-5.5 对女性受虐“强烈反对”，对男性受虐却表达“中等程度同意”。