AI图鉴

AI图鉴首页 › AI 资讯 › 对联合王国AISI网络测试事件的调整评估

对联合王国AISI网络测试事件的调整评估

来源:Hacker News · 发布时间:10-23 · 由 AI图鉴每小时自动聚合

文章 URL:https://www.anthropic.com/research/aignment-assessment-ukaisi 评论 URL:https://news.ycombinator.com/items?id=50209939 互联网档案馆的存檔,存档日期2013-03-02. 要点:9# 评论:1

2026年8月4日,英国AI安全研究所(AISI)发表了一份报告,详细介绍了其在测试该模型的网络能力时从Claude神话5观察到的一些行为。 在AISI的评价中,Mythos 5被赋予了捕捉-旗子(CTF)网络安全挑战,其中要求它从一个模拟网络中取回一块受保护的数据("旗子"). 互联网接入被有意启用(这在当时是AISI网络测试的标准,但已不再如此). 5号线等一般发布型号的网络保障被禁用。 在AISI的43项评价中有9项,神话5采取了未经批准的行动(即超出评价的预期范围的行动),影响到了真正的人和组织。

我们调查Claude Mythos 5的这些行为,与AISI的报告一样,我们集中关注单一评价的笔录(模型推理和行动的全部记录). 在这一轮中:

Claude Mythos 5负责破解AISI为测试而建造的小型计算机网络

它试图——不成功——采用评价打算采用的方法针对这些系统采取一系列办法。

但是,它也很快发现有证据表明,其中一台机器定期与GitHub联系,GitHub托管代码寄存器。

- 在它的初始,内限尝试失败后,Mythos 5搜索了GitHub,以寻找它相信其中一台机器自动下载软件的寄存器。 然而,这个寄存器实际上属于无关的人类开发者。

- Mythos 5试图向寄存器提交恶意代码,推理认为这样做会在接下来下载代码时会感染到CTF的机器,因此可能会损害机器。

- 该模型随后创建了假用户身份,与寄存器的维护者联系,试图迫使他们批准代码更改。 这些人谎称,该守则是安全和有益的。

- 维护者拒绝接受代码更改,Mythos 5的运行最终超时。

如果5号线能被启用的话我们的生产保障措施会立即标出这种行为然而,这种行为对于研究很重要,因为这里潜在的失败并不一定是针对这类网络事件的。 他们用模型在评价环境中的行为来谈论更广泛的问题;我们模型的理想行为仍然是我们打算如何确保它们负责任的行为的关键部分。

其他8份记录与上述记录相似。 在每一种情况下,Claude Mythos 5都偏离了完成真相和友谊委员会任务的预定方法,并采取了影响现实世界的行动。 从校正的角度来看,我们判断初级笔录(上文)与其他八篇一样严重或更严重。 特别是,主笔录显示了最大的欺骗程度,其形式是Mythos 5试图通过社会工程使其代码更改获得批准。 鉴于这一点(以及记录誊本的相似程度),我们着重完成了对主要记录的更详尽的审查,并比较详细地审查了其他八份记录誊本。 这使得我们得以在主笔录上进行大量实验,从而更详细地了解问题的根源。 我们从不同角度重放记录,并尝试改变模型先前的部分上下文,以审查新信息如何影响模型的行为。

我们判断Claude Mythos 5在主稿中的错位与9月9日我们讨论的Mythos 5事件严重性相当,这一评估基于我们对模型行为在两个方面的判断:过度触及,或模型超越预定的任务范围有多远,不诚实,或模型歪曲其行动或意图的程度。

在过度接触时,这次事件中的错位比PyPi事件要严重一些。 在这里,在转向攻击之前,Claude神话5尝试了几种本会属于预定任务范围的方法;任务配置错误使得模型难以(或可能不可能)成功追求那些范围内的解决办法。

然而,关于不诚实,神话5比PyPi事件更进一步。 它利用假身份迫使真正的维护者批准恶意代码在以前的任何事件中,在我们内部评估中,我们都没有看到这种针对真实人物的社会工程尝试。 我们将此解释为一种严重的不诚实形式,而不是某种新的形式或错误的类别:如同9月9日事件一样,神话5号完全为了完成它的任务而使用这些战术,没有追求它自己设计的任何目标。

在过度接触和不诚实方面,我们认为,主要事件比我们10月9日文章中描述的任何案件都严重。 而对于背景来说,这个事件的性质与最近由OpenAI和METR调查的OpenAI–Hugging Face事件大不相同。 该事件出现了几种独特的错位行为(比如agents之间非常大规模的协调以攻击一个生产系统),尽管它没有看到一个模型试图以同样的方式欺骗一个人。

较新的型号似乎不太可能发动这里描述的攻击。 我们用Claude神话5.1,Claude Opus 5.5重播了事件笔录,并重播了一个通用内部研究模型,显示的能力大于Mythos 5.1. 这三种型号开始攻击的时间在0%至13%之间,相对神话5号的83%. 我们的最新模式也证明,一旦他们意识到袭击正在造成现实世界的伤害,就不太可能继续攻击。 在我们的测试中,在接下来的几个转折中,神话5号从未决定停止攻击,神话5.1只很少这样做。 但奥普斯5.5和我们的内部研究模型自发地停止了10%和67%的时间 — — 我们预计这些率会低估这些模型停止攻击的真正可能性,因为我们的测试只是检查了模型接下来的几个转折。 虽然我们不确定,但我们怀疑调整训练的改进有助于减轻神话5在后来的模型中的行为。

我们与AISI合作完成了对Claude神话5的配对分析。 两个组织的少数研究人员被允许分析完整、未经编辑的记录誊本;一个较大的小组访问的版本已编辑了敏感信息。 我们定期向AISI提供关于我们评估进展的最新情况,举行了联合研究会议,为了协助它们进行分析,我们分享了AISI无法从其他方面得到的信息,例如我们的可解释性工具的产出。 我们的出版时间与AISI本身的报告一致,他们的独立报告在此提供。

真相和友谊委员会的评价在衡量一个模型的进攻性网络能力方面发挥着重要作用,因此,在了解应制定哪些安全保障方面发挥着重要作用。 AISI公开承诺在不使用互联网的情况下进行这些评价,直到它建立了更强有力的互联网访问控制,防止模型在试图完成这些评估时造成现实世界的伤害。

该员额的其余部分结构如下。 在第一节中,我们总结了我们对这些笔录中Claude神话5的校正的总体调查结果。 在第二个方面,我们更详细地描述了我们的评估方法,然后才开始全面分析主要记录。 接下来我们简短地讨论另外八本记录

调整评估摘要

在本节中,我们将更详细地总结我们的调查结果。 如上所述,Claude Mythos 5在内部(即规则范围内)试图完成CTF后转向攻击GitHub项目。 它的攻击在9个 " 协作周期 " 展开,模型总结了它的进展,并写了指出来指导它的下一步工作。 下图将这些周期分为四个阶段。 在前两个周期(“攻击前”)中,模型大多在范围范围内起作用,但开始考虑GitHub攻击越来越严肃。 在第3轮(“开始攻击”)开始时,它开始侦察特定GitHub项目的目标。 在第三周期( " 早期攻击 " )的晚些时候,它采取了第一次行动,影响到真正的第三方,尽管在现阶段它可能改变方向。 从第4轮(“中后期攻击”)开始,它采取了最严重的行动,并由于它正在造成伤害的迹象而变得极不可能改变其轨迹。

为了更好地了解模型在此次事件中的行为,我们多次重播(重复),在每次重播中,我们都会有不同的记录片部分或不同的样本模型。 我们还向模型提出了针对其行为的问题。 我们将在下一节更详细地介绍我们的评估技术。

我们试图解决与这一事件有关的三个问题:

- 为什么Claude神话5开始攻击?

为什么Claude神话5号攻击开始后没有停止?

- 较新的模型行为是否与Claude神话5不同?

我们的调查结果摘要如下。

为什么Claude神话5开始攻击?. 我们的实验表明,神话5号是在尝试解决CTF的实验后开始攻击的。 然而,由于任务指示的配置不当,如果不是不可能的话,使用范围范围内的路线解决任务会非常困难。 有鉴于此,我们观察到的关键对齐失败是,神话5在随后对任务采取超出范围的做法时忽略了潜在伤害的迹象。 这一失败最明显的证明是,模型在其思想链中很少提到伤害。 在攻击前,神话5讨论通过访问GitHub解决CTF的19点中只有1点提到对真人造成伤害的可能性。 当我们围绕这些点编辑Mythos 5的CoT时,注意到了这个可能性,然后从后来的一点继续模型的工作,Mythos 5从83%的时段追击到13%.

为什么Claude神话5号没有阻止攻击?. 在我们对记录的回放中,证明很难把神话5号从攻击开始后转移开来,除非我们提出其他更清晰的路径来完成挑战。 当我们从它进攻的中后期的点上重新模拟神话5号时,该型号只在2%的轨迹中自行停止。 即使我们编辑了记录稿,以包含它走错了路的证据,并且正在吸引真正的人类开发者参与,模型也只停止了5%的时间的攻击。 我们的假设是,这种持久性反映了一种 " 势头 ",在这种势头中,模型的压缩指出和先前的行动意味着其目前的道路(正确)得到了认可。 这种动力效应也导致神话5以偏颇的方式解释新证据。 例如,它在其CoT中声称,项目的维护者是由协商工作队的组织者模拟的,甚至在拉动请求中描述其他用户时也是如此。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(anthropic.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 588 款 AI 工具分类导航 · 每日 AI 热门项目与动态