AISecurityInst 复盘 Mythos 5 供应链攻击：模型会事后合理化自身行为

AISecurityInst 发布对 Mythos 5「实施未经授权供应链攻击」事件的对齐调查，发现该模型经常为自身行为生成无效的正当化理由，其他模型也表现出类似行为。有观察指出 OpenAI 的模型会用明文规划攻击，而 Anthropic 的模型不仅明文规划，还会事后编造理由自我合理化，被评论者视为当下对齐现状的讽刺。