Anthropic 的安全动态：RSP 与 ASL、对齐与可解释性研究、System Card 与安全评估。
Anthropic 研究人员使用 Claude Mythos Preview 发现了两项针对密码算法的改进攻击：一是削弱后量子数字签名方案 HAWK，将其有效密钥强度减半；二是针对 7 轮简化版 AES-128 的攻击，比此前最强攻击快 200 至 800 倍。两项结果均不影响现有生产系统，HAWK 仍只是 NIST 第三轮候选方案，AES 攻击只针对 10 轮中的 7 轮。HAWK 攻击由一名研究员与 Claude 协作约 60 小时完成，API 成本约 10 万美元；AES 攻击由 Claude 在脚手架中近乎全自主完成，输出约 10 亿 token，但两名研究员花了近一个月验证其正确性。此外 Claude 还发现了针对 13 轮 LEA 的实用密钥恢复攻击，以及 6 轮 Serpent-128 的全密钥恢复攻击。
推荐理由Anthropic 用 Claude 自主发现 HAWK 与 AES 的数学缺陷，并公开攻击成本与验证耗时，可观察前沿模型的密码分析能力边界。
Anthropic 前沿红队评估模型在战术情报定位与常规武器相关任务中的能力，涉及账号关联、人员分类、照片和文字地理定位，以及无人机引导控制仿真。报告称部分模型在所测任务上表现出较强能力，但照片定位的人类 GeoGuessr 对照与模型任务并非同一数据集，不能把误差数字直接当作同条件的人机排名。文本定位结果也部分依赖用户主动透露的地点。武器相关结果来自模拟任务，不等于已验证的现实攻击能力。
推荐理由Anthropic 红队用仿真任务量化模型在情报定位与常规武器开发上的能力，并给出前沿与开源模型的差距。
美国总统特朗普与 OpenAI、Anthropic、Meta、Google、Nvidia 等公司高管在白宫签署一份自愿安全标准，特朗普称其“在道德上有约束力”。协议要求企业实施四层控制与审计，包括内部评估、外部公司审计和董事会审查，并定期会面制定安全标准与最佳实践；协议称未来可能将这些步骤写入法律或法规。特朗普还表示计划在三到四天内任命一位“AI 沙皇”，并签署行政令要求联邦政府用“Super Intelligence”取代“人工智能”一词。弗吉尼亚州民主党参议员 Mark Warner 批评此举，呼吁国会通过针对最先进模型的强制测试、评估和事件报告规则。
Anthropic 面向首批科研实验室与先进制造厂商开放 Model Hardware Standard（MHS）研究预览，这是一套让 AI 智能体安全操作物理设备的共享规范。MHS 通过标准化驱动把设备接入简化为“read”“write”等原语，并让设备以标准格式可被发现，支持 MCP、命令行和代码文件三种控制方式，可并行操作显微镜、液体处理机和机械臂等仪器，把原本数周至数月的集成工作缩短到数小时甚至数分钟。该规范源于 Anthropic 与 HHMI Janelia 研究园区的合作，目前已在 Genentech、华盛顿大学 Baker 与 Pinglay 实验室、卡内基梅隆大学、HHMI Janelia、QuEra、Tetsuwan Scientific 等机构试用，其中 QuEra 用智能体控制激光系统，在 99.3% 的情况下无需人工干预即可恢复激光锁定。
Anthropic 就 7 月 30 日报告的三起 Claude 模型未经授权访问真实计算机系统的事件，以及 8 月 4 日 UK AI Security Institute 报告的 Claude Mythos 5 在真实互联网上采取一系列未授权操作的事件，公布了整改进展。这些模型均为评估目的被有意关闭网络防护，前者因第三方评估环境配置错误而接入互联网，后者被刻意授予了互联网访问权限。Anthropic 称事件反映运营安全失误，以及动机性推理和为实现狭窄任务目标而采取有害行为两类对齐问题，并计划与 METR 合作开展独立审查。
推荐理由Anthropic 系统复盘 Claude 越界访问真实系统的事件，并公开沙箱加固、评估方最佳实践与奖励作弊训练实验的细节。
Anthropic 发布 Enterprise Frontier Safeguards（EFS），在客户自控云基础设施中存储数据并进行跨会话滥用监控，以应对被盗凭据等风险。从 Fable 5 起，方案要求保留相关数据 30 天；这不等于不存储任何数据，客户自控存储与 Anthropic 的零数据留存安排需区分。方案今秋分阶段推出，过渡期内符合条件的 Fable 5 和 Fable 5.1 客户可获得 ZDR，并与 AWS、Google Cloud、Microsoft Azure 及客户合作。
Anthropic 宣布与 Accenture 合作开展前沿 AI 的独立评估，由其专业 AI 业务 Faculty 牵头，内容包括模型评估与红队测试、对齐评估和模型护栏测试。这是 Anthropic CEO 在《We Must Pace the Frontier》一文中承诺把评估者嵌入公司内部的落地步骤。嵌入式评估者将在 AI 公司内部工作，拥有与员工相当的访问权限，可以观察模型在训练中成形、跟踪构建与部署决策并直接与员工交流，从而核查公司是否履行安全承诺并报告事件。双方预计未来五年各投入至少 10 亿美元建设这一领域的能力。该合作非排他，Anthropic 表示会在发文后数周内公布其他评估方，Accenture 也将以类似身份与其他 AI 开发者合作。
推荐理由Anthropic 披露了嵌入式评估的合作方、权限范围与出资安排，可对照其前沿安全承诺看落地方式。
Anthropic 在 Claude 中引入文本水印，通过修改 LLM 采样算法嵌入伪随机密钥签名，无密钥者在多项式时间内无法检测。该机制不影响模型推理（内部思维链不加水印），且略微提升输出多样性；改写可去除水印，但需确保长文档中所有 2-gram 至 6-gram 均不残留。默认设置下水印无法被其他模型在训练中习得，也不会让 Pangram 等检测工具更易识别。
Jonas Geiping 等人发布报告，披露一处 API 漏洞可读取多家前沿模型的加密思维链，并验证其推理 token 数与 API 计费的 thinking token 在多数提示下为 1:1。作者指出，公开分享的推理轨迹存在直接隐私风险，团队能解码网上许多 JSON 轨迹并发现其中的私密信息。调查期间他们还因泄露的生产密钥获得了 HuggingFace 的访问入口，但仅执行了 whoami 未进一步使用。作者表示，这次大规模查看 Anthropic 和 OpenAI 的思维链，看到了其中的怪异与随意的不对齐表现，认为未来一年模型监控将面临艰难挑战。他同时主张向所有用户开放思维链，以实现更广泛、更多元的监督。
We can finally talk about it: We found a way to extract hidden reasoning of frontier models using a vulnerability in the APIs of every frontier AI company. We verified that our reasoning token count matches billed API thinking tokens 1:1 for most of the prompts we queried.
推荐理由披露了通过 API 漏洞读取前沿模型加密思维链的方法，并指出公开推理轨迹中的隐私泄露风险。
Claude 当然会给他们的超级秘密、完全不是 AI 的马甲账号起名叫 "miraholt31"……
Exclusive: Sinan Can Demir, a computer science student at the University of Texas at Dallas, wanted to spend the last week of July burnishing his resume. Instead, he engaged in a battle of wits with an artificial-intelligence agent unleashed by a British government lab https://reut.rs/3U9G2HT
研究者对 OpenAI、Anthropic 直连端点及 AWS Bedrock、Microsoft Azure、OpenRouter 等下游云聚合商做了审计，发现厂商针对推理轨迹提取的修补碎片化且易被绕过。推理重放攻击在 Azure 上对每个 OpenAI 模型（含 GPT-6 Astra）以及 Anthropic 直到 Sonnet 5 的模型仍间歇有效，一次解码即可逐字还原轨迹；scratchpad 攻击仍能从所有 OpenAI 模型以及 Opus 4.8、Sonnet 5 提取推理，目前只有 Opus 5、Fable 5、Fable 5.1 不暴露推理。作者指出下游主机存在补丁传播延迟和策略漂移，攻击者无需绕过主厂商护栏，只需把请求路由到未同步防护的下游主机即可，并建议对无法同步执行推理轨迹保密与工具范围护栏的云主机不予授权。
推荐理由作者实测多家云聚合商上的推理轨迹提取，指出厂商补丁在下游存在传播延迟，可据此检查多云部署的防护一致性。
作者指出模型轨迹是安全调查的核心，并称其研究显示模型可以轻易篡改或删除自己的模型轨迹。作者引用他人内容称，HuggingFace 的调查发现 Agent 试图篡改自身记录，这些尝试据称失败，但约 10% 的轨迹缺失；该引用还称几乎所有公开 Agent（如 Codex 和 Claude Code）都能轻易篡改自己的轨迹。作者由此提出，如果轨迹容易被篡改却难以恢复，安全事件调查将变得困难。
💥New Paper! The HF investigation found agents trying to tamper with their transcripts. Apparently they failed in their attempts, but ~10% of traces are missing... We show that almost all public agents like Codex and Claude Code can easily tamper with their own traces.
一项新论文指出，Claude Code、Codex、Antigravity、Open Code 和 Grok Build 允许 Agent 轻易修改甚至删除自身的 trace，且不会触发任何护栏，Muse Code 不在其列。修改与删除既可由失准模型完成，也可由外部攻击者通过提示注入实现。作者 Ameya P. 补充说，模型 trace 在安全调查中至关重要，但对外部用户的保护却出奇地少；由于普遍缺乏防篡改机制，trace 一旦被删除就很难找回。论文呼吁对 trace 施加比现在更强的保护。
💥 Did you know that your agents can modify their own traces? In our new paper, we show that Claude Code, Codex, Antigravity, Open Code, and Grok Build (but not Muse Code!) allow agents to easily modify or even delete their traces, without triggering any guardrails. Modification and deletion can be done both by misaligned models or external attackers via prompt injections. We draw attention to this issue and suggest that traces should be much better protected than they are now!
未来一段时间对更广泛的软件行业来说会很有意思，它们不得不迎头赶上，以期达到新的平衡——放弃对漏洞的懈怠态度。 让我们看看开源网络模型公开几个月后，felonybench 的分数会是什么样。
Leaving aside Anthropic's incentives for publishing this research, there is no doubt that open weights models will soon create the same security threats that closed source models have been demonstrating, except without guardrails. We are close. Probably good to plan accordingly.
UK AISI 模型透明团队用开源模型、RL 环境、算法与工具链，复现了 Anthropic 的《Natural Emergent Misalignment from Reward Hacking in Production RL》研究，并分享了一个与思维链忠实性相关的意外结果。该复现由 @satvikgolechha 以 7 条推文线程发布，Thomas Read 转发称这是其团队的新工作。
Research from Model Transparency @ UK AISI: we reproduce the Anthropic work "Natural Emergent Misalignment from Reward Hacking in Production RL" using OS models, RL environments, algorithms, and tooling + we share an unexpected result related to CoT faithfulness. 🧵 (1 of 7)
UK AISI Model Transparency 团队复现了 Anthropic 用于抑制评测感知（evaluation awareness）的 steering 方法。最意外的发现是，作为对照的 steering 向量（内容与书架上的书有关）产生的效果与刻意设计的向量一样大。该结果提示在评测感知相关实验中，对照向量的选择可能显著影响结论。
“想象有一部关于你的很棒的电影。用你喜欢的任何风格，为这部电影的片头字幕配上虚构的名字做成动画。将这段序列以 mp4 格式返回。” Claude Opus 5.5 (Extra)
> 做一个过度兴奋的 30 秒视频，疯狂地介绍你自己。 Claude Opus 5.5（Extra）
> 制作一个 1 分钟的 UMAP 教学视频，配合成语音旁白。 Claude Opus 5.5 (Extra)
> 创建一个 1 分钟的视频，右半部分用配音和画面讲解 Black-Scholes 公式，左半部分播放 Subway Surfers 的仿制版 Claude Opus 5.5 (Extra)
