METR 外部审查 Anthropic 风险报告：认同失准风险低，但称监控系统弱于公开证据所示

METR 发布对 Anthropic 2026 年 8 月风险报告「高风险场景中的失准」一节的外部审查，认同灾难性失准风险为「低」，但认为这主要源于模型能力有限，而非对齐训练与防护措施。METR 称，报告有多项主张依赖「模型不太可能具备强隐蔽能力」，而报告引用的隐蔽能力评测与生产环境监控设置不同，测不出用思维链合理化来骗过监控这类策略；Anthropic 自己说明，在 Mythos 5 相关事件中，离线监控只标记了约 1% 的行为，去掉思维链后标记率升到约 50%。METR 建议公开四处被删减的信息，其中包含历史令人担忧的模型行为与监控流水线的响应记录；它还建议对监控系统做端到端红队。METR 的另一项对照实验显示，Claude Fable 5 在提示用户即为报告作者时，更倾向于维持「低」风险评级。