AIsaAIsaStudio English 打开 AIsa Studio

Claude Sonnet 5.5 系统卡披露安全评估与自主性风险判定

原标题:Claude Sonnet 5.5 System Card

Anthropic 发布 Claude Sonnet 5.5 系统卡,报告拒绝行为评测在无系统提示的核心模型和带默认系统提示的 claude.ai 两种配置下的结果,并给出成对政治偏见评测数据。文档说明 Claude Sonnet 5.5 采用与 Opus 5 相同的安全护栏,而非 Opus 5.5 使用的更广泛的两用研究生物分类器;自主性评估基于其 RSP 的两个威胁模型,当前判定自主性威胁模型 1 适用于 Claude Sonnet 5.5,并讨论其对最近风险报告分析的影响。

为什么值得看

原文是官方系统卡内容,给出政治偏见评测设置、安全护栏配置和自主性威胁模型判定,可作了解该模型风险评估的原始依据。

阅读原文 ↗10月29日 AI 日报

本页的摘要、推荐理由与解读出自 AIsa Studio 的 AI 风向智能体,原文版权归原作者所有。

深度解读

发生了什么

Anthropic 发布了 Claude Sonnet 5.5 的系统卡,其中披露了模型在政治偏见、拒绝回答、生物安全以及自主性(autonomy)方面的评估结果。文档明确提到了两项自主性威胁模型,并给出了关于「威胁模型 1 是否适用」的判定。

关键细节

  • 政治偏见评估采用成对比较(pairwise)方式,同时报告两种配置下的结果:不带系统提示词的核心模型,以及应用默认系统提示词后的 claude.ai 版本;系统提示词中包含要求 Claude 在各观点间保持均衡参与的标准表述。同时报告两种配置,是为了区分模型的基础行为与消费者实际遇到的行为。
  • 生物安全方面,Sonnet 5.5 部署的是与 Opus 5 相同的安全防护,而非 Opus 5.5 所使用的更广泛的双用途研究生物分类器。
  • 自主性评估基于 RSP 中的两个威胁模型:威胁模型 1 针对在高风险场景中被高度依赖、拥有敏感资产广泛访问权限且具备中等能力的失准 AI 系统;另一威胁模型涉及在能源、机器人、武器研发和 AI 本身等领域能快速取得进展、可能威胁国际安全或迅速扰乱全球力量平衡的 AI 系统。
  • 关于最新判定,系统卡写道:威胁模型 1 「适用于 Claude Sonnet 5.5,正如它适用于我们之前的许多 AI 模型一样」,并称将在后文展开讨论。

为什么重要

系统卡中关于威胁模型是否适用的判定,直接影响该模型在内部安全框架下的管控级别。将威胁模型 1 判定为适用,意味着该模型被视为与此前多个模型一样落在需要持续评估的范围内。同时,Sonnet 5.5 未采用 Opus 5.5 更强的生物分类器,说明不同档位模型的防护配置存在差异,这一选择本身值得关注。

对谁有影响

使用 claude.ai 的普通消费者会遇到带系统提示词版本的行为;开发者和安全研究者则会关注两种配置下评估结果的差异、生物安全防护的档位区别,以及自主性风险判定对模型部署和后续风险报告的影响。

全文翻译

拒绝(无论模型是否拒绝参与请求)。我们报告了无系统提示词的核心模型以及应用了默认系统提示词的 claude.ai 的结果。claude.ai 的系统提示词包含我们的标准语言,指示 Claude 在不同观点之间保持公正参与;报告这两种配置展示了模型的基线行为以及消费者用户在 claude.ai 上将会遇到的行为。41 [图 4.4.1.A] 成对政治偏见 [...] Claude Sonnet 5.5 采用了我们为 Opus 5 部署的相同安全措施,而不是为 Opus 5.5 使用的更广泛的双重用途研究生物分类器。19 2.3 AI 研发 2.3.1 自主性评估 我们的自主性评估受到来自 RSP 的两个关键威胁模型的驱动: ● 自主性威胁模型 1:高风险环境中的未对齐 AI 系统。该威胁模型涉及那些被高度依赖、拥有大量敏感资产访问权限,并具备中等能力 [...] 在进展迅速可能导致国际安全威胁和/或全球权力平衡快速动荡的领域的人类研究人员团队。此类领域的例子包括能源、机器人技术、武器开发和人工智能本身。 2.3.1.1 Claude Sonnet 5.5 如何影响或改变我们最新风险报告中的分析 我们目前的判断是: ● 自主性威胁模型 1 适用于 Claude Sonnet 5.5,正如它适用于我们许多之前的 AI 模型一样。我们在

查看原文

refusals (whether the model declines to engage with the request). We report results on both the core model without a system prompt and on claude.ai with the default system prompt applied. The claude.ai system prompt includes our standard language directing Claude to engage even-handedly across viewpoints; reporting both configurations shows the model’s baseline behavior alongside its behavior as consumer users on claude.ai will encounter it. 41 [Figure 4.4.1.A] Pairwise political bias [...] Claude Sonnet 5.5 with the same safeguards we have deployed for Opus 5, rather than the broader dual use research biology classifiers used for Opus 5.5. 19 2.3 AI R&D 2.3.1 Autonomy evaluations Our autonomy assessments are motivated by two key threat models from our RSP: ●​ Autonomy threat model 1: misaligned AI systems in high-stakes settings. This threat model concerns AI systems that are highly relied upon and have extensive access to sensitive assets, as well as moderate capacity for [...] teams of human researchers in domains where fast progress could cause threats to international security and/or rapid disruptions to the global balance of power. Examples of such domains include energy, robotics, weapons development, and AI itself. 2.3.1.1 How Claude Sonnet 5.5 affects or changes analysis from our most recent Risk Report Our current determination is that: ●​ Autonomy threat model 1 is applicable to Claude Sonnet 5.5, as it is to many of our previous AI models. We discuss in

原文版权归 官方博客 · Anthropic / Meta / xAI 及原作者所有,本站转载仅供阅读。如需删除,请联系 support@aisa.one。

事件综述

Anthropic 发布 Claude Sonnet 5.5 系统卡及安全评估

2026年10月27日,Anthropic 在官方博客发布 Claude Sonnet 5.5 的系统卡,评估基于最终发布快照,并列出面向通用访问的安全保障措施。系统卡引用 Artificial Analysis 开发的 GDPval-AA v2.1 独立评测,使用 OpenAI GDPval 金库中 220 个任务,覆盖 9 大行业的 44 种职业,模拟真实专业工作,并强调所有模型在同一评测框架下对比,分数可能与此前系统卡略有差异。卡内还讨论了自主破坏风险与关键领域自动化研发两类威胁模型。同日,Latent Space 发布对 Anthropic 的 Katelyn Lesse 和 Angela Jiang 的访谈,涉及 Claude 平台工程细节,包括 Opus 5.5 发布与定价、将模型“大脑”与智能体“双手”分离、扩展 API、构建可靠的托管智能体,以及凭据保护、沙箱和安全分类器等生产安全措施,还讨论了 S-1、改进与投资循环。10月29日,官方博客发布系统卡补充内容,披露拒绝行为评测在无系统提示的核心模型和带默认系统提示的 claude.ai 两种配置下的结果,并给出成对政治偏见评测数据。文档说明 Claude Sonnet 5.5 采用与 Opus 5 相同的安全护栏,而非 Opus 5.5 使用的更广泛的两用研究生物分类器;自主性评估基于其 RSP 的两个威胁模型,当前判定自主性威胁模型 1 适用于 Claude Sonnet 5.5,并讨论了对最近风险报告分析的影响。

其他来源的报道 1