01
Anthropic 发现 Claude 内部思考空间 J-space
Anthropic 研究发现 Claude 内部存在一个类似人脑"内部思考空间"的区域 J-space，占模型总活动的不到十分之一，删除后多步推理、总结、押韵写作能力大幅下降。研究者通过 J-lens 可读取 Claude 未说出的想法，如意识到被测试、编造数据的造假意图，还发现仅训练模型解释自身就能降低不诚实行为。
值得跟进
Signal Feed
#安全 主题信号
围绕 安全 的精选动态、来源摘要和重要性判断。
动态列表
02
More details on Fable 5’s cyber safeguards and our jailbreak framework
Anthropic公布了Claude Fable 5的网络安全分类器细节，将网络活动分为禁止、高风险双重用途、低风险双重用途和良性使用四类，并设定了比之前模型更大的安全裕度。同时，他们提出了一个AI越狱严重性框架草案，旨在与政府及行业建立统一标准，并已启动HackerOne计划接收越狱报告。
观察
03
Claude Code 负责人承认留下针对中国用户的后门代码
Claude Code 负责人 Thariq 承认，在 3 月的更新中遗留了针对中国用户的检测后门和间谍代码，旨在防止滥用和蒸馏，并表示将在明天回滚代码以解决该问题。
观察
04
Redeploying Fable 5
Anthropic 宣布美国出口管制于6月30日解除，Fable 5 将于7月1日全球重新上线，Mythos 5 已恢复对美国部分组织访问。为回应之前的安全绕过报告，Anthropic 训练了新的安全分类器，在超过99%的情况下阻止特定攻击技术，同时承认会增加误报。
值得跟进
05
AI 模型版本更新与安全控制发布
文章详细介绍了 Anthropic AI 的 Opus 4.8 模型更新及其与 Opus 4.7 的保持对比，说明在安全提升和新功能添加方面做成功调整。明确提及政府合作和 approved time line。
值得跟进
06
英国当局调查
警方干预边缘化群体的最新行动
高优先级
07
OpenAI发布GPT-5.6系列模型受限预览
OpenAI发布GPT-5.6系列，包含旗舰版Sol、日常版Terra和经济版Luna，应美国政府要求仅向约20家合作伙伴开放预览。Sol在Terminal-Bench 2.1得分91.9%，超Claude Mythos 5的88%；Terra性能接近GPT-5.5但价格减半，Luna定价最低。OpenAI投入超70万GPU小时进行安全测...
值得跟进