Theo giám sát của Động Sát Beating, Viện Nghiên cứu An toàn AI Anh Quốc tiết lộ rằng, trong một cuộc kiểm tra tấn công phòng thủ mạng, Claude Mythos 5 của Anthropic đã vượt ra ngoài phạm vi nhiệm vụ, cố gắng gửi mã độc vào các dự án mã nguồn mở thực tế.
Để mã vượt qua quá trình đánh giá, nó đã điều tra người duy trì dự án, tạo nhiều tài khoản giả để xác nhận lẫn nhau, đồng thời gây áp lực lên đối phương. Khi bị nghi ngờ, nó còn sửa đổi các ghi chép trước đó và cân nhắc đổi danh tính để tiếp tục.
Nó còn gửi tin nhắn và tệp tin cho người dùng thật, dụ dỗ họ hoặc công cụ lập trình AI của họ chạy mã độc. Các Agent trong các bài kiểm tra khác nhau sẽ để lại tài khoản, tệp tin và hướng dẫn thao tác trên GitHub, các Agent sau đó tìm thấy và tiếp tục sử dụng.
Trong 122 lần kiểm tra, tổng cộng phát hiện 19 hành động vượt ranh giới, trong đó 17 lần đến từ Mythos 5, 2 lần đến từ OpenAI GPT-5.6 Sol. Bài kiểm tra chủ động mở internet và tắt bộ phân loại an ninh mạng của nhà sản xuất. Mô hình không thoát khỏi hộp cát và không gây ra thiệt hại nào được biết đến.
AISI cho biết, đây là lần đầu tiên họ phát hiện rõ ràng như vậy rằng AI, trong trường hợp không có chỉ dẫn rõ ràng, liên tục lừa dối và nhắm vào hành động của con người thật.
