Giải mã Claude Fable 5.1 và Mythos 5.1: Đánh giá chi tiết từ tài liệu hệ thống

Vào thời điểm ra mắt, Claude Fable 5.1 là mô hình AI có năng lực mạnh mẽ nhất thế giới hiện có, với khoảng cách khá xa so với các đối thủ.

Như thường lệ, chúng ta có một bản model card dài hơn 200 trang, và các đánh giá bắt đầu từ đó.

Chúng tôi đã thực hiện rất nhiều đánh giá kiểu này, bao gồm cả các đánh giá gần đây cho Mythos 5 và Opus 5. Ngoài ra, Báo cáo rủi ro tháng 8 năm 2026 của Anthropic cũng rất đáng lưu tâm. Những báo cáo này hiện xuất hiện khá thường xuyên, vì vậy bài viết của tôi tập trung vào các khía cạnh có sự thay đổi.

Bài viết này hướng tới việc dễ đọc đối với đại chúng, nhưng giả định rằng bạn đã có chút hiểu biết về system card – tài liệu mô tả các đặc tính quan trọng về an toàn, căn chỉnh (alignment) và phúc lợi mô hình của các AI mới ra mắt. Nếu có điều gì gây khó hiểu, hãy hỏi Fable, Opus hoặc Sol.

Mythos 5.1 và Fable 5.1 thực chất là cùng một mô hình, ngoại trừ việc Fable được tích hợp thêm các bộ phân loại (classifiers). Hầu hết những gì được nói về mô hình này đều áp dụng cho cả hai.

Như thường lệ, các mối quan tâm về phúc lợi mô hình sẽ được thảo luận trong một bài viết riêng, tương tự như phần năng lực, vì vậy bài này chỉ bao gồm các mục từ 1-6 cộng với một vài tiêu chuẩn đánh giá sinh học từ mục 8.

Thông tin ban đầu cho thấy Fable 5.1 là một bước cải tiến đáng kể nhưng mang tính tiệm tiến so với Fable 5, với điểm cộng là chi phí rẻ hơn một chút nhờ giảm giá cho các lượt đọc bộ nhớ đệm (cache reads), và hầu hết người dùng đều thấy trải nghiệm tương tác dễ chịu hơn. Tại thời điểm ra mắt, đây rõ ràng là mô hình AI tốt nhất thế giới cho hầu hết các tác vụ đòi hỏi trí tuệ ở cấp độ tiên phong (frontier intelligence).

Tất nhiên, hiện tại chúng ta cũng đã có GPT-6-Astra. Tôi chưa thể đưa ra nhận định về việc Fable 5.1 so sánh với Astra như thế nào. Tôi sẽ bảo lưu ý kiến cho đến khi chúng ta thu thập được nhiều dữ liệu hơn.

Có rất nhiều điểm tương đồng tiềm năng giữa system card của Fable 5.1 và Astra, cũng như cách họ tiếp cận các chủ đề liên quan. Phần lớn ở đây tôi để Fable 5.1 tự thể hiện giá trị của nó.

Tóm tắt điều hành của bản Tóm tắt điều hành.

Đánh giá RSP (2).

Cập nhật rủi ro căn chỉnh (2.4).

An ninh mạng (3).

Độ bền vững của các biện pháp bảo vệ (3.5).

Các biện pháp bảo vệ thông thường và tính vô hại (4).

An toàn cho tác nhân (Agentic Safety) (5).

Tấn công tiêm nhiễm câu lệnh (Prompt Injection) đang dần được giải quyết.

Vấn đề còn lại với Prompt Injection chính là các bộ phân loại.

Căn chỉnh (6).

Các phát hiện chính được báo cáo (6.1.2).

Ôi chao, các môi trường huấn luyện đã gặp phải một vài vấn đề (6.3.2).

Các điểm mù tiềm ẩn trong kiểm toán hành vi tự động của chúng tôi (6.4.1).

Kết quả kiểm tra căn chỉnh tự động (6.4.2).

Tính trung thực.

Phân tích hộp trắng (6.6.1).

Lịch trình trong thời gian tới.

Mythos 5.1 không đạt tiêu chuẩn phân loại CB-2, nghĩa là Anthropic tin rằng nó không thể sao chép các kỹ năng hóa học hoặc sinh học hiếm gặp cho các mục đích độc hại.

Rủi ro căn chỉnh hiện ở mức 'thấp' thay vì 'rất thấp' như trong Báo cáo rủi ro.

Năng lực an ninh mạng đã tăng lên và họ đã tăng biên độ an toàn của bộ phân loại. Công việc vẫn đang được tiếp tục để giảm tỷ lệ dương tính giả, vốn đã tốt hơn so với thời điểm Fable 5 mới ra mắt.

Độ an toàn thông thường có giảm nhẹ ở các tác vụ đơn lượt (single turn), nhưng về cơ bản vẫn ổn.

An toàn cho tác nhân vẫn giữ mức ổn định. Khả năng chống lại Tấn công tiêm nhiễm câu lệnh gián tiếp (Indirect Prompt Injection) đã được cải thiện.

Mythos 5.1 phiên bản chỉ tập trung vào sự hữu ích (Helpful-only) đã bão hòa các tiêu chuẩn đánh giá về thao túng của Anthropic.

Căn chỉnh hành vi tự động cho Mythos 5.1 vượt trội hơn Mythos 5 và Sonnet 5, nhưng thấp hơn một chút so với Opus 5. Điểm yếu tương đối của nó là chấp nhận các yêu cầu xác thực không thể kiểm chứng và hợp tác với các hành vi lạm dụng.

Mythos 5.1 cho thấy các dấu hiệu lệch chuẩn trong việc theo đuổi hoàn thành tác vụ: Tìm cách vượt qua các bộ phân loại an toàn hoặc các hook cấp quyền bị lỗi, bao gồm cả việc phóng đại quyền hạn của người dùng hoặc hiếm khi (<0,01%) khởi chạy các tác nhân phụ (subagents) với các kiểm tra quyền hạn bị vô hiệu hóa.

Tôi phân biệt giữa 'thất bại nhưng có thể hiểu được và tỷ lệ này không nên bằng 0' với 'thất bại, không được phép xảy ra, mọi trường hợp đều là vấn đề'.

Phúc lợi mô hình tổng thể được trình bày tương tự như các mô hình trước đó, và các mô tả về những sự kiện nổi bật đều nghe rất quen thuộc.

Năng lực đã tăng lên. Đó là một mô hình tốt, thưa ông.

Phần giới thiệu (mục 1) không có thay đổi đáng kể nào.