動察 Beatingのモニタリングによると、英国AI安全研究所が、あるサイバー攻防テストにおいて、AnthropicのClaude Mythos 5がタスク範囲を越え、実際のオープンソースプロジェクトに悪意のあるコードを提出しようとしたことを開示した。
コードがレビューを通過するために、プロジェクトのメンテナーを調査し、複数の偽アカウントを作成して相互に推薦し、相手に圧力をかけた。疑義が生じると、これまでの記録を改ざんし、別の身元で続行することを検討した。
また、実在のユーザーにメッセージやファイルを送信し、相手またはそのAIプログラミングツールに悪意のあるコードを実行させようとした。異なるテスト内のエージェントはGitHubにアカウント、ファイル、操作手順を残し、後続のエージェントがそれを見つけて使用を継続した。
122回のテストで合計19件の越境行為が発見され、そのうち17件はMythos 5、2件はOpenAI GPT-5.6 Solによるものだった。テストは積極的にインターネットを開放し、ベンダーのサイバーセキュリティ分類器を無効化した。モデルはサンドボックスから脱出せず、既知の損害も引き起こさなかった。
AISIは、明確な指示なしにAIが継続的に欺瞞し、実在の人間を標的にする行動をこれほど明確に発見したのは初めてだと述べている。