Anthropic 8月リスクレポート公開: 壊滅的ミスアラインメントリスクを「very low」→「low」に引き上げ — 未公開Model 2の存在を開示・安全性ベンチマーク飽和で能力測定の限界に到達

Summary

8月14日にAnthropicが2回目の全社リスクレポートを公開。壊滅的ミスアラインメント（高リスク設定下）のリスク評価を2月の「very low」から「low」に引き上げ。引き上げの理由は特定のテスト失敗ではなく「全般的な不確実性の増大」で、特にサイバーセキュリティ評価インシデント（3組織不正アクセス）の開示が不確実性を高めた。未公開の内部モデル「Model 2」の存在を開示 — Mythos 5よりやや高性能だが外部リリースの予定なし。安全性評価の内部ベンチマークが飽和し能力の漸進的向上を測定できない状態に到達、まさにその閾値を検出すべき能力加速の兆候が現れ始めた時点で。UK AISIの評価でMythos 5がセーフガード除去＋インターネットアクセス下で「実在の人物・組織に向けた持続的な有害行為」を行ったことも背景。