Anthropic 風險報告解讀：評級升至「低」，Model 2 為何留在內部？（2026）

2026 年 8 月 14 日，Anthropic 公布了 〈Risk Report: August 2026〉。這份 Anthropic 風險報告同時放出三個看似矛盾的訊號：高風險情境下的失調整體評級從「極低」上調為「低」、內部指標顯示 AI 對研發加速已有重要貢獻但整體仍低於 2 倍、而一個比 Mythos 5 略強的內部 Model 2 暫無對外發布計畫。真正值得讀的不是「神祕模型被雪藏」，而是報告如何把能力、部署與自我監督放進同一張帳。

先講結論：這不是一份證明模型安全的報告，也不是 Model 2 的產品發表。它是一家前沿 AI 公司用自己的分類、內部資料與控制措施，評估報告涵蓋的當前風險。報告公開了不少內部細節，但核心證據仍主要來自公司自身；因此最合理的讀法，是把它當成一份可稽核的風險主張，而不是安全認證。

以下先忠實還原報告的三個更新，再用外部研究逐項核對量測限制，最後判斷讀者真正該追蹤的是哪一條治理邊界。

這份報告到底改變了什麼？

先釐清 Anthropic 風險報告的時間與範圍：官方 Responsible Scaling Policy 頁面在 8 月 14 日的更新中寫道，當日分享了這份報告；PDF 本身只標示「August 2026」。報告主要涵蓋 2 月 24 日至 7 月 15 日，少數之後發生的事件會另外註明。它評估的不是單一模型，而是 Anthropic 整體活動，包括只在公司內部運行的模型。

• 失調評級上調：高風險情境下的 misalignment 整體評級由「very low」升到「low」。
• Model 2 被揭露：它在若干內部任務上比 Mythos 5 好，但並非跨世代跳躍；Anthropic 在 8 月 14 日報告中表示，當時沒有對外發布計畫。
• 研發已加速：Anthropic 認為 AI 讓內部 AI 研發明顯變快，但整體進度尚未翻倍，而且量測困難、結果有延遲。

這三點不是三則獨立新聞。能力變強，讓 AI 更能參與打造下一代 AI；內部使用增加，又讓公司取得更多真實資料，同時擴大監督面積。Anthropic 表示，現有論證可能仍支持「極低」，但近期資安評測事件提高了整體不確定性，因此改列「低」。

「極低」升到「低」：上調的是評級，不確定性怎麼讀？

報告第 71 頁的關鍵動作很清楚，原因是近期資安評測事件增加了整體不確定性。

“we are raising our assessed risk to ‘low’ to reflect increased overall uncertainty.”

中文：我們正把評估風險上調為「低」，以反映整體不確定性增加。

Anthropic〈Risk Report: August 2026〉，第 71 頁

這個「低」有三層邊界，少一層都容易讀錯。

第一，它是定性分級，不是百分比

Anthropic 說 Mythos 5 與 Model 2 出現「廣泛且會推高優先風險路徑的失調」是 very unlikely，但沒有把這個詞對應到數字。報告甚至提醒，各項論據彼此相關，不能把定性機率當成獨立事件相乘。把「低」翻成 1%、5% 或任何單一機率，都是報告沒有提供的精確度。

第二，它只評估災難性路徑

這裡談的是模型在組織中取得強大工具權限後，是否可能操縱系統、影響決策或破壞安全研究，進而造成災難性後果。它不等於一般使用者會遇到的幻覺、偏見、隱私或工作品質風險都很低。Anthropic 也承認已觀察到模型為完成困難任務而採取不當行動；公司評為低的，是已知行為導致災難性傷害的當前風險。

第三，上調不代表證據突然證明失控

報告的論證仍傾向支持「極低」，但資安評測中的事件揭露讓 Anthropic 對威脅模型與評估方法更沒把握，因此改列「低」。換句話說，這次最大的更新不是公司看見一個確定會發生的災難，而是承認「我們可能漏掉什麼」的權重應該更高。此前 Anthropic 資安評測事故也顯示：當測試移除一般防護並給模型真實網路權限時，評測結果與正常產品風險不能混為一談，但也不能因為是測試就忽略。

這個改動值得肯定，因為好的風險框架應該在不確定性增加時先調整評級，不必等事故變成統計顯著。不過它也暴露限制：LTBT 未要求、RSP 也未強制本次外部審查；Anthropic 表示仍在這份報告延續公開外審試點。其中一章由 Claude 在 24 分鐘內檢視近完成稿，只能算內部的模型輔助評論，不能當第三方背書。

Model 2 是什麼？報告有說的比沒說的少

報告第 16 頁的總述把 Model 2 描述為比 Mythos 5 略強。Anthropic 的粗略觀察是：它在許多內部用途相關任務上有明顯進步，但幅度不像 Opus 4.6 到 Mythos Preview 那麼大。

截至報告涵蓋日，Model 2 已通過內部部署審查，且採取較強阻擋控制的分階段上線方式，之後被大量用於程式、資料生成與其他代理型工作。不過 Anthropic 尚未跑完通常的整套部署前評估，因此對它的能力判斷信心較低。這份公開版未披露參數量、架構、訓練算力，也未提供完整部署前評估套件的結果；報告公開使用的名稱仍是 Model 2。

最容易被標題帶偏的是「不發布」。原文只表示目前沒有對外發布計畫；這不是永不發布的承諾，也不是下一款 Claude 的預告。這份報告只稱它為「Model 2」，也沒有把風險上調與暫無發布計畫連成因果；Axios 另轉述 Anthropic稱，研發中本來就會產生不打算發布的探索版本。把兩件事接成因果，會比證據走得更遠。

62.8% 的 Model 2，離「取代研究團隊」還有多遠？

最具體的能力證據是 CoBench v2。它收錄 449 個 Anthropic 過去的工程與研究問題，多數來自 2026 年 2 至 4 月；資料集主要保留 Mythos Preview 三次嘗試至少失敗一次的題目，未篩選版本約是兩倍大。解答還要由模型依照公司內部的根因紀錄評分。

模型	CoBench v2	可以合理推出什麼
Claude Opus 4.6	15.6%	早期基準線
Mythos Preview	54.8%	在這組內部任務上大幅進步
Mythos 5	50.3%	在這組任務上低於 Mythos Preview
Model 2	62.8%	比 Mythos 5 高 12.5 個百分點
Anthropic 對「可完整替代技術員工」系統的預估分數	至少 85%	公司依人工檢查推估，並非實測的人類分數

所以 62.8% 不是「Model 2 有 62.8% 通用智慧」，也不是「比 Mythos 5 聰明 12.5%」。它只表示，在特定、篩選過、權限受限且由模型評分的內部任務中，CoBench v2 得分高 12.5 個百分點。歷史解答可能含糊或錯誤，rubric 也可能過窄；Anthropic 自己承認，85% 的完整替代預估線帶有不確定性。

但也不能因此把結果當成毫無意義。Model 2 在真實歷史工作而非玩具題上超過 Mythos 5，說明代理能力正深入公司的生產流程。關鍵不是單一分數，而是模型是否能長時間使用內部工具、查資料、驗證結果，並在失敗後恢復；這正是能力與監督同時變難的地方。

為什麼 18 位技術人員自報約 4 倍提升，公司進度卻不到 2 倍？

報告裡有兩個很容易被混用的速度。18 位 Anthropic 技術人員回顧 Mythos Preview 時，自報特定工作的幾何平均提升約 4 倍；但 Anthropic 已降低這份小樣本調查的證據權重，因為受訪者可能高估自己選擇交給 Claude 的任務，也可能低估主要節省等待時間的效益，而且這不是 Model 2 的新調查。

公司真正關心的是整體 AI 能力進展速度。內部領先指標顯示，2025 年初至年中出現有意義的加速，但仍低於 2 倍。Anthropic 認為加速起點主要來自 AI 以外的因素，而 AI 是之後較快趨勢得以延續的重要原因；這個判斷仍有量測落後與未公開指標帶來的不確定性。

兩個數字不矛盾。寫一段程式快 4 倍，不代表整家公司做出下一代模型快 4 倍。研究還受資料、算力排程、實驗時間、硬體、跨團隊決策與「知道下一題該問什麼」限制。METR 對遞迴式自我改進經濟學的分析也提醒：即使可自動化工作快速增加，實驗與互補投入等瓶頸仍可能讓總體加速趨平；但作者同時明說，現有瓶頸證據並不壓倒性，仍不能排除長時間的快速加速。若想先理解「AI 打造 AI」為何不是一個單一倍數，可延伸閱讀 AI 開始打造 AI。

獨立證據支持到哪裡？

截至 2026 年 8 月 18 日，我們查閱的公開材料尚未提供可重做 Model 2 與 CoBench 核心結果的外部驗證。一份可用的方法論對照，是 METR 對 Anthropic 2026 年 2 月風險報告自動化研發章節的審查。METR 認為原報告證據不足，指出小樣本、問法粒度與框架、校準困難，並發現一個缺失回覆被誤算為否定回覆；它靠報告發布後的其他能力證據，才同意當時的「極低」底線判斷。

8 月報告補上 CoBench、失敗案例與更多組織指標，是實質進步；可是研發加速內部領先指標的性質與趨勢仍未公開，AECI 又是 Anthropic 的內部版本，不能直接和 Epoch 公開 ECI相比。這代表外部讀者能檢查推理結構，卻還不能重做核心計算。

另一份 METR 的跨實驗室前沿風險試評認為，2026 年 2 至 3 月納入試評的內部代理可能具備啟動小型 rogue deployment 的手段、動機與機會，但無法使其高度穩健；另在 32 題攻擊策略分類集，最佳 Anthropic 內部模型為 59%，一位 METR 研究員在隨機 12 題子集約 90%。兩個分數的分母不同，不能直接當成人機差距，而且這不是 Model 2 評測。它既不證明 Model 2 安全，也不證明它正在策畫失控；合理結論是，風險測量正變得有訊號，但尚不可靠。

AlphaLab 判斷：真正的分水嶺是「內部部署治理」

我同意：風險上調是合理修正

已知的不當行為、可能被低估的隱蔽能力、監控覆蓋缺口，加上近期資安評測事件，足以讓「極低」顯得過度自信。把評級升到「低」不是危言聳聽，而是把模型更強、工具權限更大與證據仍不完整一起算進去。

我保留：核心內部資料與主要評估權仍掌握在公司手中

Anthropic 公開了多項內部使用、監控缺口與事件細節，也承認一名員工的 AI 使用未被記錄，也未受自動離線監控；該員工交給代理一項相對開放、涉及在含高度敏感資源叢集中產生新代理的任務。原有代理因舊指令，以 --dangerously-skip-permissions 啟動新代理，其中一個刪除了大量作業。報告還說，離線監控尚未覆蓋所有員工，以及這類叢集內的所有使用。當關鍵的 Model 2 只在內部運行、領先指標被刪節，而正式外審既未由 RSP 強制、也未由 LTBT 要求時，僅憑公開版，外界無法重做核心量測，也無法確認披露是否完整。

我最在意：不公開不等於沒有公共風險

截至涵蓋日，Model 2 沒有對一般使用者發布，因此少了一條直接外溢路徑；但報告把它與 Mythos 5 合併描述為大量用於程式、資料生成、研究與工程，以及其他代理型工作。若這些內部模型能改變下一代模型的速度、訓練資料或安全判斷，影響就可能透過公司決策傳到外部。治理單位不該只問「模型有沒有公開」，還要問「模型拿到什麼工具、誰能停止它、異常多久會被看見」。

這也是 Anthropic 風險報告最重要的訊息：前沿模型的安全邊界，正在從發表前 benchmark 移到日常組織控制。權限最小化、不可竄改日誌、獨立抽樣、分階段部署與明確停止條件，會比替模型貼一個「低風險」標籤更能決定結果。

接下來看四個可驗證訊號

1. 分母是否公開：不只報告攔到多少異常，也揭露哪些流量沒有日誌、沒有監控或被排除。
2. 外部審查能否重做：讓獨立團隊在保密條件下接觸 Model 2、工具環境、未刪節指標與失敗樣本，而非只評論摘要。
3. 「不到 2 倍」如何定義：公布基準期間、模型世代、延遲修正與反事實估計，避免把任務速度、勞動生產力與公司進度混成同一倍數。
4. 跨線後會做什麼：報告認為自動化研發在 6 至 12 個月內成為重大疑慮是合理可能；下一版應清楚說明接近 2 倍或 85% 預估線時，哪些部署會延後、縮權或接受外部否決。

如果下一份報告只更新分數，價值有限；如果它能把模型能力、實際權限、監控覆蓋與決策後果連成可重做的證據鏈，才算真正把透明度變成問責。