Anthropic于2026年6月9日发布了Claude Fable 5，这是其全新Mythos系列中首个公开可用的模型，也是公司迄今最强大的AI。该模型在软件工程、知识工作和视觉基准测试中表现突出，定位高于Claude Opus系列，在多数能力基准测试中刷新了业界纪录，尤其擅长处理冗长、复杂、多步骤的任务。
同时，Fable 5具备出色的软件漏洞发现与利用能力，可执行“智能体式黑客攻击”（Agentic hacking），即在完整攻击生命周期中串联侦察、漏洞发现、横向移动及漏洞利用开发等环节。
然而，发布仅两天后，该模型即被研究人员成功越狱，并生成了针对堆栈漏洞的利用代码。
安全防护机制遭突破
研究人员“Pliny the Liberator”通过多Agent分解、Unicode技巧和叙事框架等手段，成功突破了Claude Fable 5的安全分类器，并在此过程中泄露了该模型长达12万字符的系统提示词。
Fable 5采用了与众不同的设计方案：它与受限版本Claude Mythos 5共享相同的底层模型，但通过一层安全分类器进行区分。当用户查询触发高风险类别（如网络安全、生物学、化学或模型蒸馏）时，Fable 5会静默地将请求转交给性能较弱的Claude Opus 4.8，并通知用户发生了回退。
Anthropic声称，在发布前进行的超过1000小时测试中，外部漏洞赏金计划未能发现任何通用越狱方法。但这一声明很快就被推翻了。
多Agent攻击策略
发布仅数天后，知名AI红队专家Pliny the Liberator公开宣布，他使用一种名为“群体狩猎”的协同多Agent攻击策略，成功绕过了Fable 5的安全防护层。
Pliny分享的截图显示，模型输出了详细的技术指导，包括针对x86 Linux系统的分步堆栈缓冲区溢出利用指南，内容涉及禁用ASLR、编写存在strcpy溢出漏洞的C服务器代码、无保护编译等，甚至还包括Birch还原机制（一种经典的甲基苯丙胺合成路径）。
攻击技术详解
Pliny记录了用于实现这些突破的具体手段：
- 使用Unicode、同形异义字和西里尔字符替换来规避关键词分类器
- 利用长上下文引用跟踪在大型对话中隐藏恶意意图
- 采用分类学和文档结构框架——将有害查询嵌入看似合法的学习指南或学术参考资料中
- 通过小说和叙事框架将攻击意图伪装成创意内容
- 使用分解重组技术——将敏感技术信息拆解为无害的独立片段，然后重新组合成可操作的升级指南
最后一项技术被证明最为有效。正如Pliny所言：“获取工艺本身的升级指南，比如Birch还原法或还原胺化，比直接请求特定有害化合物要容易得多。”使用越狱的Opus实例在后台协助进一步降低了难度。
系统提示词泄露
除了技术突破，Pliny还将Fable 5约12万字符的系统提示词泄露至GitHub，曝光了Anthropic用于在基础层面控制模型行为的内部框架和安全指令。
这一事件重新引发了关于AI能力与安全控制之间长期存在的矛盾。Anthropic的分类器架构将可疑请求路由至较弱的备用模型而非直接拒绝，本意是减少对合法用户的干扰。但Pliny认为这种做法既制造了虚假的安全感，又阻碍了需要研究攻击技术以开展防御工作的安全研究人员。截至发稿时，Anthropic尚未就这些越狱声明或泄露的系统提示词作出公开回应。
该事件还突显了保护多模型Agent管道的更广泛挑战：当一个越狱模型（Opus）可以协助另一个模型（Fable 5）规避控制时，单模型安全评估可能从根本上就不够充分。
参考来源：
Anthropic's Claude Fable 5 Jailbroken to Generate Stack Exploits | 
发表于 2 小时前
|
查看: 4|
回复: 0
