深入 Claude Fable 5 的安全架构：分类器、Opus 4.8 回退与 30 天保留
Anthropic 如何让一款 Mythos 级模型对公众安全：带 Opus 4.8 回退的网络安全分类器、低于 5% 的触发率、1000 多小时红队测试以及 30 天保留政策。
Claude Fable 5 背后的核心工程问题从来不只是能力——而是约束。Fable 5 与访问受限的 Claude Mythos 5 是同一个底层模型，Anthropic 称后者拥有全球任何模型中最强的网络安全能力。要让这样的模型对公众安全可用，需要一套分层的安全架构，Anthropic 在 6 月 9 日发布时对此作了详述。
分类器与回退设计
核心机制是一组网络安全分类器，对敏感领域的查询进行筛查。当某个分类器触发时，查询并不会被直接拒绝——而是改由 Claude Opus 4.8 回答，这是一款能力强但危险性更低的模型。这一交接平均在低于 5% 的会话中触发，意味着绝大多数用户从不会遇到它。
同样的模式延伸到其他风险领域：
- 生物与化学分类器筛查危险的生命科学查询。
- 蒸馏防护阻止旨在训练竞争模型的能力提取。
- 整体对齐水平据报告与 Opus 4.8 相近。
红队测试结果
Anthropic 公布了异常具体的对抗测试数据。该模型经过了超过 1000 小时的外部红队测试，未发现任何通用越狱方法。一家外部合作伙伴确认，针对已部署系统，"与策划网络攻击相关的单轮有害请求成功率为零"。
30 天保留要求
Mythos 级模型附带一项企业客户应当注意的数据处理变更：业务客户流量需遵守 30 天数据保留。Anthropic 对边界有明确说明——保留的数据仅用于安全监控，而非训练，且每一次人工访问该数据都有日志记录。这一要求为 Anthropic 的安全团队提供了一个窗口，以便在已部署的模型集群中检测滥用模式。
两个模型，同一个大脑
这套架构解释了 Anthropic 的双轨发布。在部分领域解除防护的 Claude Mythos 5，仅通过 Project Glasswing 提供给经过审核的网络防御者和基础设施提供商——与美国政府合作，覆盖 15 多个国家约 150 家新机构——以及稍后的部分生物医学研究人员。Fable 5 是公开的一面：相同的能力底座，外面包裹着分类器、回退和监控。
TechCrunch 指出，此次发布恰在 Anthropic 警告 AI 正变得过于危险的几天后。这套安全堆栈正是该公司对自身警告的回应：与其雪藏该模型，它押注分类器路由、红队验证和可审计的保留机制，能让 Mythos 级能力在公开环境中得以存续。