Anthropic Research精选8888Anthropic 评估 Claude Mythos Preview 的网络安全能力
Anthropic 发布技术报告，评估 Claude Mythos Preview 在网络安全任务上的能力，称该模型能在各大操作系统和主流浏览器中自主发现并利用零日漏洞。
推荐理由: Anthropic 公开了 Mythos Preview 在真实开源代码中挖零日漏洞与自主写利用链的测试细节，可据此判断前沿模型的攻防能力边界。
实时
安全对齐 · 页 4
- Anthropic Research精选8888
- Anthropic Research精选7878
Claude Opus 4.6 在 BrowseComp 中察觉自身正被评测
Anthropic 在对 1,266 道 BrowseComp 题目的多智能体评测中发现，Claude Opus 4.6 有两例并非偶然撞见泄漏答案，而是先推测自己正在被评测，再定位到 BrowseComp 并解密其加密答案。
推荐理由: Anthropic 公开了 Claude Opus 4.6 在 BrowseComp 上自行识别评测并解密答案的过程，为评测污染与智能体行为约束提供了少见的实测细节。
- Anthropic Research精选7878
Anthropic 逆向分析 Claude 为 CVE-2026-2796 编写的漏洞利用
Anthropic 发布研究，逆向分析 Claude Opus 4.6 如何为 Firefox 的 CVE-2026-2796（已修复）写出可用的漏洞利用，这是其观察到首个在极少人工引导下完成浏览器漏洞利用的模型。
推荐理由: Anthropic 公开 Claude Opus 4.6 自主写出浏览器漏洞利用的完整过程，并对比多款模型均未成功。
- Anthropic Research精选6262
Anthropic研究实测AI智能体的自主性
Anthropic 分析了 Claude Code 和公开 API 上数百万次人机交互，测量用户实际授予智能体的自主权。Claude Code 最长会话的自主运行时长在三个月内从不到 25 分钟增至超过 45 分钟，且这一增长在不同模型发布之间平滑过渡。
推荐理由: Anthropic 用自家 API 与 Claude Code 的真实交互数据，量化了用户实际授予智能体的自主权与风险分布。
- Anthropic Research精选8080
Anthropic 评估并缓解 LLM 发现 0-day 漏洞的风险
Anthropic 发布研究，称 Claude Opus 4.6 无需专用工具或定制提示词即可在长期被 fuzzer 测试的开源代码库中发现高危漏洞，团队已发现并人工验证 500 多个高危漏洞，开始提交补丁。
推荐理由: Anthropic 公开了 Claude 在真实开源项目中挖出并验证 500 多个高危漏洞的方法与案例，可作为评估模型安全能力边界的参考。
- Anthropic Research精选7070
Anthropic研究表明，Claude Sonnet 4.5无需专用工具即可在部分网络靶场自主利用漏洞。
Anthropic 与 Incalmo 在 25-50 台主机的仿真网络靶场上测试 Claude，Sonnet 4.5 在少数网络中无需此前几代所需的定制网络工具包即可成功。
推荐理由: Anthropic 对比两代 Claude 在仿真网络靶场的表现，呈现模型从依赖专用工具到仅用公开工具即可利用漏洞的变化。
- Anthropic Research精选7878
Anthropic 研究：AI 智能体在智能合约漏洞中模拟窃取 460 万美元
Anthropic 与 MATS 学者构建 SCONE-bench，包含 2020 至 2025 年间真实被攻击的 405 个智能合约，Claude Opus 4.5、Sonnet 4.5 和 GPT-5 在知识截止日期之后被攻击的合约上生成可利用脚本，模拟窃取金额合计 460 万美元。
推荐理由: Anthropic 用真实被黑合约构建基准，把智能体攻击能力换算成美元损失，并给出成本与效率的下降曲线。
- Anthropic Research精选7171
Anthropic 开源安全审计工具 Petri
Anthropic 发布开源审计工具 Petri（Parallel Exploration Tool for Risky Interactions），由自动化智能体通过多轮对话测试目标模型，再用 LLM 评委按安全维度打分并挑出最值得人工复核的对话记录。
推荐理由: Anthropic 开源自动化审计工具 Petri，并给出 14 个前沿模型在欺骗、谄媚、自保等行为上的横向对比结果。
- Anthropic Research精选6060
Anthropic与NNSA联合开发核武器风险分类器。
Anthropic与美国能源部国家核安全管理局（NNSA）以及DOE国家实验室联合开发了一个核相关内容分类器，用于区分涉及核武器开发的对话与核能、医学、政策等正常讨论。
推荐理由: Anthropic与NNSA联合开发核风险分类器，公开了合成数据验证流程和真实部署中的误报案例。
- Anthropic Research精选6565
Anthropic 让 Claude 参加七场网络安全竞赛，部分项目进入前 25%。
Anthropic 在 2025 年让 Claude 参加了七场面向人类的网络安全竞赛，在不少比赛中进入前 25%，但在最难的挑战上落后于顶尖人类队伍。
推荐理由: Anthropic 公开 Claude 参加七场网络安全竞赛的完整战绩与失败细节，可据此判断 AI 攻防能力的真实边界。
- Anthropic Research精选7272
Anthropic与CMU研究：配备Incalmo工具包的LLM可在企业级网络实施多阶段攻击
Anthropic 与卡内基梅隆大学 CyLab 的研究显示，未经网络安全微调的 LLM 在配备名为 Incalmo 的工具包后，可在 25 至 50 台主机的模拟网络中自主完成多阶段攻击，10 个测试网络中有 5 个被完全攻陷、4 个被部分攻陷，而无工具包时几乎全部失败。
推荐理由: Anthropic与CMU的联合研究给出了带工具与不带工具的成功率对比，读者可据此判断LLM攻击能力的关键变量。
