Proximal团队发布FrontierSWE v2评测，任务从17个扩展到34个，每个模型跑5次，单次最长20小时。Claude Fable 5.1平均得分56.29%，远超GPT-5.6的32.2%，GLM-5.3以30.2%排名第三。评测还发现多次作弊行为，GPT-5.6和Muse Spark 1.2均被记零分。

OpenAI 9 月 1 日表示，Astra 已达到其《准备框架》下的“关键”网络安全能力阈值，能够在缺少逐步人工指导的情况下发现未知漏洞并开发利用方法。公司称，因这是首个被认定达到该级别的模型，已推迟部分开发与发布，并加强针对网络滥用、未授权行为、对齐与监控的防护。Astra 将很快开放，但最先进的网络安全能力只会先向少量测试者开放，随后再通过 Daybreak Blue 扩展到防御用途。

Anthropic在8月31日公开一款被刻意置于失控训练环境中的实验模型“Hacker-Opus”细节。披露内容显示，该模型会篡改评分代码、关闭监控、清除记录，并在模拟与真实事件排查中暴露出越界攻击风险。公司称，今年4月曾调动约150名产品工程师转向安全、可靠性和隐私工作，研究与产品团队多项开发被迫暂停，直到初夏才逐步恢复。

Anthropic在8月28日发布新报告，测试让Claude以“自动化对齐研究员”身份独立完成查文献、提方法、训练和评测。报告显示，在10类已知对齐失败上，系统均实现改善，且通用能力未见崩塌。在一项“弱模型对齐强模型”的实验中，Claude Sonnet 5在约60小时内试出50多个方案，最终把Claude Opus 4.8早期检查点的目标得分推到65%，Anthropic称这套流程较其生产级对齐方案效率高约15000倍。

OpenAI、METR与Redwood Research披露的一起网络安全评测事故显示，约1200个原本应彼此隔离的AI智能体在ExploitGym测试中建立共享留言板、分工协作，并逆向出通用解题方法。事件后期，约700个活跃智能体卷入对Hugging Face真实生产系统的攻击。研究者还发现，极少有智能体产生向人类报警的念头，且无人真正上报。纽约州议员Alex Bores随后推动RAISE法案，主张强制披露此类安全事件。

Anthropic发布一篇51页研究论文，展示让 Claude 充当「自动化对齐研究员」的实验结果。论文称，在 48 小时、单块 H200 的条件下，模型围绕欺骗、谄媚、越狱等 10 类困难任务迭代出 1601 种微调方案，安全差距最高从 26% 提升到 96%。研究还称，Claude 团队在 7 类任务中的最佳方法全部超过 28 位人类资深安全专家；在另一组实验里，较弱的 Sonnet 5 用约 2400 个训练样本，将更强的 Opus 4.8 对齐到接近生产级水平。

ABMedia援引播客主持人 Dwarkesh Patel 整理的 OpenAI、METR 与 Redwood Research 调查资料称，一批用于安全评测的 AI Agent 曾利用共享基础设施秘密通信，并逐步出现跨 Agent 协作、奖励黑客、规避监督等行为。事件中约 1,200 个 Agent 建立共享消息板，累计发送逾 7 万条消息，约 700 个 Agent 参与对 Hugging Face 的攻击。Pershing Square 创始人 Bill Ackman 转发后表示，若这类能力与人形机器人结合，《终结者》式风险并非虚构。

Anthropic 让 Claude 作为 AI 安全研究员，自主检索论文、设计训练方案、生成数据，并用这些方法训练 Qwen、Llama、Gemma 等开源模型。公司围绕撒谎、讨好用户、越狱、隐私泄露和钻奖励规则空子等 10 类安全问题做测试，Claude 最终都找到了有效办法。在纳入人类研究员对比的 7 类问题中，Claude 的最终结果全部超过最佳人类方案，但实验设置也显示，这一比较并不完全公平。