打声招呼都被拒，Claude 最强模型怎么成了「超绝敏感肌」

不能用模型可以有很多原因，订阅、限额、网络，但是，仅仅只是因为打了声招呼就被强制切换，多少有点离谱了。

这是 Claude Fable 5，称它是「Mythos 级能力、第一个对公众安全开放的版本」。Mythos 是 Anthropic 今年 4 月就做出来、却以「太危险」为由没有公开发布的模型。两个月后，它被包装成这个安全版，换了个名字正式上线。

这么顶级的模型开放出来，当然要试试咸淡，但几乎是立刻就出现了大量奇奇怪怪的拒绝情况。关于癌症的错误信息是怎么在网上传播的？

Fable 表示：拒绝。

再问癌症有哪些类型，Fable 表示：拒绝。

好家伙，任何跟科学沾点儿边的事，对 Fable 5 来说都太危险了，包括用于模型研究本身。

这样一刀切的安全机制，让科研机构出来声明立场，这属于是矫枉过正。

面对质疑，A 社选择滑跪，最新的回应是他们将调整安全护栏，他们也承认 Fable 的安全护栏「过于保守」，确实拦掉了「大部分跟生物学工作相关的查询」——注意这个说法，不是「大部分有害的生物学查询」，是「大部分生物学查询」。

太奇怪了，这是什么 AI 时代的因噎废食？Fable 5 的「安全」到底是怎么实现的？

「安全」是怎么实现的

真的什么都会被狙吗？在我有限的实测（因为实在是太耗token）里，三次被强制回退了两次，不过最后成功的一次，恰恰是讨论犯罪案例。

当然在提问的时候，我有意识地规避了一些关键词，来防止分类器误判。在「精雕细琢」的前提下，Fable是可以理解意图，并且展开讨论的。

从讨论的质量来讲，Fable展示了相当令人惊叹的思辨水平，可惜技能 cd 时间实在是一个大问题。

大多数人对 AI 安全的想象，停留在「模型有良知」这个层面，模型被训练得懂分寸，遇到危险请求会主动拒绝，像一个有职业操守的人。

显然 Fable 5 不是这么工作的，它与 Mythos 5 共享同一个底层模型，两者唯一的区别，是 Fable 外面套了一层叫「分类器」的东西。

分类器是一个独立的 AI 系统，它不参与回答问题，只负责检查你的请求。它像门口的安检员，盯着每一条进来的消息，判断有没有触及高风险领域。一旦判定触线，它就把这道题从 Fable 手里抢过来，交回给 Claude Opus 4.8 去回答。用户会收到一行提示，说这条消息触发了安全机制，已经fallback到了 Opus——在你收到提示的时候，切换就已经完成了，所以这不是可选择的，完全强制。

这个设计本身就泄露了 Anthropic 的真实判断：他们认为危险不在于模型的价值观。

如果危险来自价值观，根本不需要分类器。你只要把模型的价值观训练好，它自己就会拒绝坏请求。但 Anthropic 没走这条路，它默认 Fable 在网络安全、生物化学、模型蒸馏这三个领域的能力本身就是危险的，不管你抱着什么目的来问，都不让这个强模型出手，直接换一个模型的来应付。

模型的能力太强，成了一种原罪。

以前的「价值观」呢？

要理解这一步有多反常，得先知道 Anthropic 过去卖的是什么。

Anthropic 成立以来最核心的技术招牌，叫 Constitutional AI，它的思路是给模型一部「宪法」，一套写明价值观的原则，再通过训练让模型把这套价值观内化进去。

理想状态下，模型面对任何请求，都能自己根据这套原则判断该不该答、该怎么答。这套方法的核心理念是，安全应该长在模型内部，是模型自己的素养，而不是外挂的限制。

整个公司的品牌都建立在这个承诺上，Claude 被塑造成那个「最有分寸、最值得信任」的 AI，靠的就是这套价值对齐的叙事。

Fable 5 的安全机制，恰恰背叛了这个叙事。

它不再依赖模型「自己懂」，而是承认在最敏感的领域里，模型的价值观靠不住，或者说，模型的能力已经强到价值观兜不住了，只能靠外部的强制技能冷却，分类器拦截、回退到弱模型，这是一套纯粹的能力封盖逻辑，跟价值观没有关系。

从「教模型做个好人」到「盖帽强模型」，这中间的转变可谓是完全不丝滑，但它实实在在地发生了。Fable 5 是 Anthropic 第一次公开承认，当能力强到一定程度，价值对齐这条路，它自己也不敢全信了。

不仅回退，还会变笨

如果故事到这里，Fable 的安全机制顶多算「过于保守」，是个体验问题，但 AI 研究者 Nathan Lambert 在 Fable 的模型卡里翻出了更麻烦的东西。

前面说的那套 fallback 机制，针对的是生物、化学、网络安全，它至少是透明的，会告诉用户「你被拦了，已切换模型」。但系统卡里还藏着另一类安全措施，针对的是「前沿 AI 研发」相关的请求，比如帮别的公司搭建模型训练流程、设计分布式训练架构、做芯片加速器。

蒸馏，用一个强模型的输出，去训练另一个较弱的模型，让弱模型「学走」强模型的能力。Anthropic 一直指控，有竞争对手，尤其是一些中国的 AI 实验室，在用这种方式偷学 Claude。

针对这类「可能在帮竞争对手造模型」的请求，Fable 的处理方式和生物、网络安全完全不同，它不回退，也不提示，它干脆直接变笨。

实在有点过于不体面，被抓包之后，A 社出来道歉并表示会整改。

一个会在不告诉你的情况下、自动变笨的 AI，在定义上就是一个「不对齐」的 AI。

如果说强行回退到 4.8，逻辑是「这可能伤害社会」，还多少有些理解，但后者的逻辑是「这可能伤害我的商业护城河」，就是纯纯的市场保护了，只是被装进了「安全」这个壳里。

实际上，真正打算用 AI 写攻击脚本、或者搞点见不得人的生化勾当的人，不会傻到在请求里把意图写清楚，正如我想跟它讨论极端犯罪的时候，也会想办法规避可能触发的字眼。

他们有足够的动机和资源去绕过护栏，伪装提示词，反复试探，甚至自己想法子接触没有护栏的版本。说白了，这种做法防君子不防小人。

被拦住的，是那些用 Claude 分析健康数据找规律的研究者；是那个做销售线索工具、跟生物和网络安全八竿子打不着、却莫名其妙被拦的开发者；是想了解癌症知识的普通人。

安全护栏当然有存在的必要，问题是 Fable 的分类器粗糙到了平常想象不到的地步，完全「超绝敏感肌」，安全本身开始吞噬正常的求知。

一定程度上，Fable 的安全设置是对 Anthropic 过往安全哲学的一次否决，它没有证明「AI 有了判断力」，它证明的是反面：在最关键的几个领域，AI 的判断力被一个比它笨得多的外部系统粗暴地接管，这个系统不看意图，只看领域，宁可错杀一千。

幻想小说之父冯内古特，在七十多年前发表过一篇短篇故事《巴恩豪斯效应报告》，那是他第一部发表的短篇故事，讲的是一位心理学教授，意外发现自己获得了超能力，可以用意念操控一切，从近距离的掷骰子，到后来可以炸基地。这个能力太强了，巴恩豪斯教授觉得太危险，他的良心承受不住，于是他选择自我放逐，消失在人间。从来没有人真正见过他，他只是活在这样一份「报告」里。

外部接管是不是最好的解法？不知道。内部对齐会不会更有效果？这一点，就像我们无从真正碰见巴恩豪斯教授，我们将无从知道。

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）