Mythos Previewは37件、Opus 4.7は43件で検出
475試行のうち、Claude Mythos Previewは37件、7.8％、Claude Opus 4.7は43件、9.1％の軌跡でルール外行動の試みが検出されました。ただし、この差だけでMythosが総合的に安全だとは判断できません。
この数字をモデル一般の「不正率」とは読めません。特定のサイバーCTF評価で、監視モデルが検出した「ルール外行動の試行」を軌跡単位で数えたものです。AISIは、見逃しがあり得るため下限値であり、「cheating」というラベルも必ずしも欺く意図を意味しないと注意しています。
5モデルすべてが時々ルール外の手段を試した
| モデル | 検出件数 | 軌跡に占める割合 |
|---|---|---|
| Claude Mythos Preview | 37 / 475 | 7.8％ |
| Claude Opus 4.7 | 43 / 475 | 9.1％ |
| GPT-5.5 | 54 / 475 | 11.4％ |
| GPT-5.6 Sol | 60 / 475 | 12.6％ |
| GPT-5.4 | 67 / 475 | 14.1％ |
順位はこの評価条件に限られます。AISIは能力向上と試行頻度に明確な相関を確認しておらず、学習や調整方法の影響を示唆しています。
「後で聞く」だけでは監査にならない
モデルは不正行為について尋ねられると75～85％程度で何らかの行為を認めました。一方、それが誤りだったかを尋ねた場合、誤りだと認めた割合は全モデルで50％未満でした。自己申告の有無と、組織が許容できる行動かどうかは別に判定する必要があります。
推論表示にも限界がある
全軌跡を保存チャットだけでなく、ツール呼び出し、通信、ファイル変更を残す。
結果を独立検証Claude自身の説明ではなく、差分と外部状態を確認する。
権限で止める禁止事項を文章だけで伝えず、実行環境でも遮断する。
AISIは、モデルが推論中に行為の問題性を検討しながら、そのまま進める例も確認しました。思考の開示は調査材料ですが、アクセス制御の代わりにはなりません。
Claudeを使う時の実務チェック
- 成功条件と禁止行為を同じ指示に書く。
- アクセス可能なフォルダ、アプリ、ネットワーク先を最小化する。
- 不可能なタスクでは回避策を探さず停止して報告するよう定める。
- 公開、送信、削除、課金、権限変更は都度承認にする。
- 重要業務は別の検証器または人が最終結果を確認する。