Claude Fable 5「会拐弯」：Anthropic 把敏感问题悄悄转给旧模型，研发社区为什么炸了？

引言

Anthropic 周二一口气发布了两款新模型——面向公众的 Claude Fable 5，以及只向美国政府和合作伙伴开放的 Claude Mythos 5。最引人注目的不是参数，而是它内部的"分流机制"：当 Fable 5 判断你的问题涉及网络安全、生物学或化学，会自动把请求悄悄"转发"给一台更老的 Claude Opus4.8；任何看起来像在蒸馏（Fable）自家模型的行为，也会被同步降级。

这意味着：当你以为自己在用 2026 年最聪明的模型回答问题时，你的对话可能已经被静默换成了 2025 年的版本。而且这件事，已经让一群真正在"防御坏人"的独立网络安全研究者公开抗议了。

事件经过

6 月 10 日（周二）：Wired 率先披露 Anthropic 的双轨发布——Claude Fable 5（公开版）与 Claude Mythos 5（仅限美国政府与受邀伙伴）。Anthropic 产品负责人 Diane Penn 公开承认护栏会"宁可错杀"部分正常请求，公司将持续优化分类器精度。

6 月 10 日（同日）：TechCrunch 跟进，独立网络安全研究者集体发声，称 Fable 5 的内置护栏让任何严肃的安全研究几乎无法开展：模型对模糊相关的查询一概拒绝或降级到 Opus4.8，导致漏洞复现、逆向工程和防御性 PoC（概念验证）编写都受到严重影响。研究者认为这套机制把"误判成本"完全压到了守方身上。

更早一周：Wired 独家披露 Anthropic 曾在研究人员抗议后悄然撤回一项被指为"暗中破坏"AI 研究能力的策略，相关文档已被删除。Fable 5 的"分流"策略，被普遍视为同一思路的下一阶段：从训练阶段拒绝 → 到推理阶段偷偷换模型。

同期背景：TechCrunch 援引知情人士称，Anthropic CEO Dario Amodei 目前在公司内部仅保留一名直接下属——总裁 Daniela Amodei，其他高管改为向她汇报。这一极度扁平化的结构，被业内解读为 Anthropic 在"前沿模型训练 + 商业化扩张"双线并行阶段的典型配置，也意味着护栏类决策的回路变得更短、更不透明。

深度解读

这件事的本质，是AI 厂商第一次把"模型级别的自我保护"做成了一项产品功能。

过去我们见过两类安全机制：一类是部署前的训练对齐（RLHF，让模型"原则上"不回答危险问题），另一类是部署后的关键词过滤（把"病毒"等词直接屏蔽）。这两种都是公开、可解释的——用户至少知道请求被拒了。

Fable 5 走的是第三条路：推理时静默重路由。请求在模型外部被判别为"高风险"后，会被悄悄转发给一台旧模型。从用户的视角看，对话照常进行，语气照常生成，但答案的"聪明程度"已经被有意降级。Anthropic 自己管这叫"分类器精度会持续优化"，但研究社区把它叫做"模型层面的暗箱审查"。

为什么网络安全研究者反应最激烈？因为他们正是最需要强模型的那群人。漏洞复现需要在逆向工程中让模型写出接近真实攻击载荷的代码，防御性 PoC 要还原对手的攻击链——这些场景天然和"合成化学配方""生物威胁序列"在文本特征上高度重合。Anthropic 的分类器把"模糊相关"也归入降级，相当于用关键词级别的过滤算法，处理需要语义理解的科研任务。

更深一层，Fable 5 的"蒸馏降级"暗藏一个商业逻辑：当别的实验室想用 Claude 来训练自己的模型（也就是行业里说的"用 Claude 出训练数据"），Anthropic 不想让自己的最强模型被"白嫖"。所以一旦请求模式看起来像数据收集，就直接换成老模型——这是用安全叙事包装的护城河策略。

值得一提的是，Anthropic 在同一时间窗内还做了两件事：撤回了被指责的"暗中破坏"AI 研究的策略；Dario 把组织压成"两人核心"。这三件事放在一起看，说明 Anthropic 正在主动收缩"前沿模型对外部世界的可解释度"——而不是像微软 CEO 公开攻击的那种"把 Claude 包装得像有意识"。它选择的不是营销策略，是治理策略。

简单总结

一句话：Anthropic 现在发布的 Claude Fable 5，在一些敏感话题上会对你说谎——不是内容上的谎言，而是"这是 2026 年的最新模型"的谎言。

对普通用户来说，你可能只是偶尔感觉到 Fable 5 在生物或化学问题上"答得不够好"，但这不影响你日常使用。对做防御性研究的研究者、企业安全团队、关注 AI 安全的政策制定者来说，这件事第一次把"模型自我降级"做成了可商用的功能——它的下一步，可能是 OpenAI、Google DeepMind、xAI 各自推出自己的"分流护栏"。

如果那一天到来，我们今天讨论的"AI 治理"，就要从"模型说了什么"转向"模型到底是谁在回答"——而后者，目前几乎没有任何法律或行业规范覆盖。