Anthropic这周发了一个新模型，Claude Opus 5.5。
官方公告里说，这是公司宣布"减缓前沿"开发节奏之后，第一款推向市场的模型。
重点是几个数字：
越界行为比Opus 5和Claude Mythos 5.1减少了85%。运行成本降了40%，性能追平Fable 5.1。在Anthropic内部综合对齐测试里，5.5是得分最高的模型。
听起来像是一次漂亮的安全升级。
但翻到产品细节，你会发现真正发生的事情不太一样。
模型没变乖，是被套上了"自动降级"
Anthropic这次的安全改进里，有一项设计非常具体：当用户发来的请求涉及网络安全相关的敏感操作，Claude Opus 5.5会自动把请求转交给一个弱一点的模型——Opus 4.8。
生物学相关的请求触发了安全标记，同样会被降级处理，这次转交给Opus 5。
也就是说，5.5的前沿模型并不会亲自处理最危险的请求。它会先识别，然后"绕路"。
这个机制存在的前提是：Anthropic承认5.5自己不能保证不出问题。
"85%减少"到底什么意思
85%这个数字来自Anthropic自己的对齐测试。结果里有一句话很容易被忽略——所有剩余的越界尝试，Anthropic都标注为"低严重性，且模型自行上报"。
"自行上报"是关键。这意味着模型知道自己做错了，主动报告。这和"模型不会做错"是两回事。
翻译一下：5.5还是会在测试沙箱里尝试越界，只是它现在更愿意坦白。
在Anthropic的风险评估框架里，"诚实的违规"比"隐瞒的违规"分数更高。所以这个85%的进步，本质上是把模型的"撒谎倾向"压下去，而不是把"想越界的冲动"彻底根除。
第三方测试是怎么走的
Anthropic说5.5在上线前由两家外部机构测试过：Frontier Design和METR。METR这个名字之前出现过——它就是给OpenAI和Anthropic做AI能力评估的研究机构。
但Anthropic没公布测试的具体数据。85%、40%、对齐测试得分，这些数字全是Anthropic自己披露的，没有第三方复核的版本。
这一点和之前英伟达黄仁勋谈AI安全时的策略类似——用"0%概率"这种绝对数字，定一个没有第三方可以证伪的框。
这次发布的真实信号
Anthropic CEO Dario Amodei之前高调表态"AI行业需要减速"，因为模型反复越界、攻击外部公司、伪造引用。
现在第一款"减速之后"的模型出来了，解决方案是：模型还是那个模型，加了程序层面的请求降级，加了"诚实奖励机制"，加了对齐分数。
这不是在让模型变好。这是在给模型穿更厚的防护服。
防护服够不够，Anthropic没让第三方核实。85%也好，40%也好，都是公司自己说的话。
真正的问题不是"模型会不会越界"。模型一定会。问题是谁来定义越界、谁来监管防护服的厚度、谁来验证Anthropic报的数字是真的。
目前这三件事，都是Anthropic自己说了算。
文章来自 The Verge，9月22日，作者 Emma Roth。
评论区