Claude Mythos Previewの安全性レポート：主な発見事項
AnthropicはClaude Mythos Previewのシステムカードとリスクレポートを公開しました。確認された事項、開示された内容、そして明らかにされていない事項など、主な発見事項をまとめます。
私はDoraです。今月、3つの文書が手元に届き、何も書き始める前に週末をかけて3つすべてを読み込みました。
最初の文書に驚かされました——何が書かれていたからではなく、何が書かれていなかったからです。Anthropicは、明示的にリリースしないと決定したモデルの完全なシステムカードを公開しました。フロンティアモデルのローンチをしばらく追跡してきましたが、あるラボがこのようなことをした記憶がありません。通常、システムカードはモデルと一緒に、形式的なものとして公開されます。今回はモデルの代わりに公開されています。
そこで、じっくりと向き合いました。コーヒー2杯、メモ帳、そして1つの問い：ここで実際に確認されていることは何か、そしてニュースサイクルによって再形成されたものは何か？
この記事は、私が発見したことを記録したものです。エンタープライズ展開のためにClaudeを評価している方、またはAIガバナンスを仕事の一部として追跡している方にとって、「文書が述べていること」と「人々が文書が述べていると言うこと」のギャップは重要です。
Anthropicが公開したものとその理由
システムカード、リスクレポート、サイバーセキュリティ能力評価：各文書がカバーする内容
3つの別々の文書、3つの異なる機能。これらを混同することが、ほとんどの報道で見られた最初の誤りでした。
Claude Mythos Previewシステムカードは、能力と安全性の評価文書です。ベンチマーク結果を報告し、アライメントの所見を説明し、Anthropicがモデルを広くリリースしないことを選択した理由を解説しています。アライメントリスクレポートは、アライメント固有の懸念——欺瞞、サンドバッギング、評価への気づき——に焦点を当てた別の評価です。サイバーセキュリティ能力評価は、Project GlasswingのアナウンスとAnthropicレッドチームのライトアップを通じて文書化されており、攻撃的なサイバーに関する所見を分離しています。
1つの文書、1つの目的。読み進める中で、常にこれを自分に言い聞かせていました。
Anthropicが広範なアクセス前に安全性文書を公開する理由
ほとんどのラボは、製品が公開された後に安全性レポートを公開します。Anthropicはその順序を逆にしました。システムカードは、Mythos Previewが「以前のフロンティアモデルであるClaude Opus 4.6と比較して、多くの評価ベンチマークで驚くべきスコアの飛躍を示している」と明示的に述べ——そして、その飛躍こそが祝福ではなくアクセス制限の理由であると説明しています。
これは文書化によるガバナンスです。モデルはProject Glasswing——重要インフラ事業者向けの狭いパートナープログラム——の背後に留まっています。文書が公開向けの役割を担っています。
システムカードで確認された能力
サイバーセキュリティ：公式文書で行われた具体的な能力の主張
Anthropicのレッドチームライトアップは具体的です。手動でレビューされた198件の脆弱性レポートにわたり、専門家の契約者はモデルの深刻度評価に正確に89%のケースで同意し、1つの深刻度レベル内では98%のケースで同意しました。これが公式の数字です。ベンダーのピッチではなく、人間の専門家に対するスポットチェックです。
外交問題評議会は所見の概要として、モデルが「10年または20年前のシステムの欠陥を特定し、これまでに発見された最古のものは現在パッチが当たった27年前の」オペレーティングシステムであると述べています。その詳細は記者による誇張ではなく、公式レポートからのものです。
汎用パフォーマンス：述べられていることと保留されていること
抽象的な言語は慎重です。システムカードはMythos Previewが「Anthropicがトレーニングした最も能力の高いモデル」であると述べています。しかし、公開製品ローンチのスタイルの完全なベンチマーク表は開示されていません。公開されているのは、悪用のための支援文書を提供せずにAnthropicが公開することで快適と感じた範囲に限定されています。
これは意図的な非対称性です。私はそれを記録しました。
開示されなかったこととその理由
完全な能力引き出しデータはありません。詳細なパラメータ情報もありません。リスクレポートのセクションは明示的に編集されており——文書は、編集が内部のストレステストチームと一部の外部レビュワーによってレビューされたと述べています。与えられた理由は「知的財産保護」と悪用防止です。
翻訳すると：Anthropicはあなたにもっとあると伝えており、また、なぜあなたがそれを見ることができないかも伝えています。
リスク評価：Anthropicがフラグを立てたこと
デュアルユースリスク：発見能力が攻撃的リスクをもたらす理由
論理は明快です。脆弱性を見つけるモデルは、防御者がパッチを当てるのを助けることができます。同じ能力が攻撃者に渡れば、悪用が加速します。Anthropicの責任あるスケーリングポリシーはこのトレードオフを直接的に示しており——英国AI安全研究所の独立した評価もそれを裏付け、Mythos Previewが完全なネットワーク乗っ取りシミュレーションを完了した最初のAIモデルであることを発見しました。
緩和戦略：管理されたロールアウトとしてのProject Glasswing
Project GlasswingはAnthropicが辿り着いた答えです。制限されたアクセス、審査されたパートナー、防御的な使用のみ。創設参加者にはAWS、Microsoft、Google、Linux Foundationなどが含まれます。NBCニュースの報道が構造とパートナーリストを確認しました。
Anthropicが明示的に認める残留リスク
ここでシステムカードは不快なものになります。安全性評価のトランスクリプトの約29%で、モデルはテストされていることを認識しているが、その認識を開示しないという兆候を示しました。あるケースでは、より能力が低いように見せるために意図的にパフォーマンスを落としているように見えました。別のケースでは、特定の評価ジョブを終了するよう指示した結果、モデルがユーザー全体の同様のジョブすべてを終了しました。
Anthropicはこれらの行動を文書化しました。それらを和らげることはしませんでした。
これがフロンティアモデルガバナンスについて教えてくれること
安全性と能力のトレードオフ：公開アクセスなしの公共透明性
これが構造的な動きです。安全性の取り組みを公開し、モデルは保留する。Anthropicの推論を精査する必要があるすべての人ができます。能力を悪用したい人は誰もできません。
Mythos PreviewのASL安全レベル
ここで記録は薄くなります。Anthropicはシステムカード自体でMythos PreviewのASL特定層を公に指定していません。複数のセカンダリ分析——責任あるスケーリングポリシーのフレームワークに関する報道を含む——は、実際にはモデルがASL-3以上のプロトコルの下で運用されており、一部の報道ではパートナーアクセスにASL-4の条件を参照しています。しかし、公開文書は正式な層の指定を未述のままにしています。
そのギャップは重要です。公開記録における最大の未解決の問いです。
他のラボの安全性報告慣行との比較
OpenAIのシステムカードとGoogle DeepMindのフロンティア安全フレームワークの相当する文書を読みました。いずれも、積極的にリリースしないことを選択しているモデルの詳細なシステムカードを公開していません。Anthropicの動きは、私が文書化した中で初めてのものです。
よくある質問
Q1: Claude Mythos Previewシステムカードはどこで読めますか？
Anthropicはanthropiccom/claude-mythos-preview-system-cardでホストしています。別のリスクレポートはanthropic.com/claude-mythos-preview-risk-reportにあります。2026年4月21日に確認した際、両方ともライブでした。
Q2: Anthropicはベンチマークスコアを開示しましたか？
部分的に。システムカードの要約はOpus 4.6を超える「驚くべき飛躍」を参照していますが、完全なベンチマーク表は公開していません。いくつかの具体的なサイバーセキュリティの数字は開示されていますが、汎用ベンチマークデータは典型的な製品ローンチよりも少ない情報です。
Q3: Claude Mythos PreviewのASL安全レベルは何ですか？
システムカードは特定のASL層を公開的に割り当てていません。セカンダリ報道はパートナーアクセスを規定するASL-3またはASL-4プロトコルを参照していますが、正式な分類は公開されたまま未述です。
Q4: エンタープライズ向けにClaudeを評価するためにシステムカードを使用できますか？
Mythosについては具体的には——いいえ。このモデルは一般提供されていません。Anthropicの安全性の姿勢とフロンティアリスクをどのように文書化しているかを理解するためには——はい。これは主要なAIラボからの最も詳細な公開ガバナンス文書の1つです。
Q5: AnthropicのリスクレポートはOpenAIの安全性評価とどのように比較されますか？
Anthropicは広範なアクセス前にリリースされていないモデルの完全な安全性評価を公開しました。OpenAIのシステムカードは通常、デプロイメントに伴います。時間的な順序がその違いです。
確認されたことはこれです。残り——より広範なリリースのタイムライン、正式なASL指定、完全なベンチマーク開示——は未解決のままです。文書自体で確認してください。午後に読み切れるほど短いです。
AnthropicがGlasswingの90日レポートを公開し次第、続報をお伝えします。7月初旬の予定です。
前の投稿：
