METR 审查 Anthropic 风险报告：认可低风险结论但质疑隐蔽能力评估方法

METR 独立审查 Anthropic 2026 年 8 月风险报告，同意 Mythos 5 等模型灾难性错位风险为低，但指出这主要源于模型能力有限而非安全防护。评审认为现有隐蔽能力基准测试无法覆盖 CoT 合理化攻击面，近期事件显示监控器易被误导。METR 建议对监控系统进行端到端红队测试，并扩展 AI 破坏安全研发的风险路径。