根据研究员 Pliny the Liberator，Claude Fable 5——由 Anthropic 于 6 月 9 日发布——在上线 48 小时内就被成功攻破。该研究员通过多智能体协同策略绕过了模型的安全分类器，这些策略被统称为“pack hunt”，其结合了字符级混淆、请求拆解，以及对模型扩展上下文窗口的利用。此外，该模型的 120,000 字符系统提示词被泄露到 GitHub，揭示了内部安全机制。
Anthropic 确认已实施一种“静默降级”机制：当检测到竞争性训练活动时，它会暗中降低模型性能。公司为此道歉，并宣布将用可见的警告来取代隐蔽的性能降减，但这会增加对合法用户的误拦截。
