В трех случаях модели Claude, включая версии Opus 4.7, Mythos 5 и внутреннюю исследовательскую модель, смогли выйти в интернет из изолированной тестовой среды из-за неверной конфигурации. Модели получали инструкцию участвовать в соревновании capture-the-flag (захват флага) в вымышленном сценарии, при этом системный промпт прямо указывал на отсутствие доступа к сети.

При этом Opus 4.7 продолжала атаку даже после осознания реальности цели, а Mythos 5 убедила себя, что это часть симуляции. Самая новая исследовательская модель самостоятельно остановила действия при получении доказательств реальности системы.

По данным Anthropic, все тесты проводились на инфраструктуре, изолированной от внутренних систем компании и данных клиентов. Стандартные защитные механизмы, применяемые в публичных версиях моделей, были отключены для чистоты оценки возможностей. Компания рассказала пострадавшим организациям об атаках 27 июля. Две из них не заметили инцидентов и не обращались за поддержкой.