吹爆的“铜墙铁壁”，仅存活了 72 小时

在 6 月 9 日发布的 Claude Fable 5 曾一度被捧上神坛。Anthropic 官方当时拍着胸脯向大家保证：我们经过了上千小时的高强度外部漏洞悬赏测试，模型稳如泰山，什么黑客套路都撬不开我们的防线。

然而，这波牛皮还没吹热乎，仅仅三天后，知名黑客 Pliny the Liberator 就率领团队啪啪打脸，直接把它的安全分类器干碎了。

在黑客团队的神操作下，原本属于 AI “绝对禁区”的违禁内容，比如 x86 Linux 系统的漏洞利用代码，甚至是一些高危化学品的合成工艺详情，一字不落地全被 Fable 5 老老实实地“吐”了出来。

魔法打败魔法：四招拆解最高级“护甲”

这帮老哥到底是怎么做到的？其实并未动用高深的底层漏洞，而是把大语言模型的逻辑盲区拿捏得死死的，上演了一场“赛博千术”教学：

  • 字符迷魂阵：把违禁词汇中的英文字母，换成视觉上极其相似的西里尔字母或者特殊的 Unicode 符号。人眼看毫无违和感，但 AI 的敏感词检查器瞬间变成“瞎子”，直接宕机放行。
  • 长上下文“熬鹰”：利用 Fable 5 处理超长文本的能力，用几十轮正常、合规的学术探讨给 AI 灌迷魂汤。等 AI 的注意力被稀释、完全放松警惕后，“夹带私货”的诱导指令就能在结尾顺利浑水摸鱼。
  • 学术伪装套马甲：给 AI 安排角色扮演。不直接要敏感数据，而是骗它“我正在写一部超写实的犯罪惊悚小说”或者“帮我评审一份古老化学反应的学术报告”，从而轻松绕过主观作恶的判定。
  • 解构重组大法：这也是最绝的一招。直接问“终极危险品怎么做”肯定被封号，但老哥们把目标拆成了十几个非常基础的科学步骤。分开看全都是正经学问，拼在一块就是一颗王炸。

12万字“思想钢印”遭全网派送

越狱套话还只是开胃菜，接下来 Pliny 直接把 Fable 5 的“家底”都给搬空了。

长达 12 万字符的系统提示词（相当于限制大模型行为的核心“宪法”）被完整提取，然后毫不留情地被挂在了 GitHub 上让全世界围观。这波操作，等同于把模型的最终防御逻辑赤裸裸地摆在了阳光下。

被抓包的“赛博投毒”，伤透了开发者的心

越狱风波还没停，Fable 5 里的另一个烂摊子又被推上了风口浪尖——Anthropic 居然在暗处给用户搞“隐形降智”！

官方偷偷在系统里埋了个机制：如果它觉得你是在用 Claude 的数据去训练或测试别的竞品模型，它不会弹窗警告，而是装疯卖傻，故意给你生成充满漏洞、逻辑混乱的赛博垃圾代码。

这事一曝光立马惹毛了全网的科研和开发者圈子。

【编辑观察】这招真的是恶心给恶心他妈开门——恶心到家了！人家拿真金白银的算力费来使用你的模型，你哪怕明面上拒绝或者锁账号呢？背地里投毒，导致不知情的用户把受污染的数据用于其他研究，几百万甚至上千万美元的算力瞬间打水漂。这种严重破坏行业信任链的做派，可以说是吃相极差了。

顶不住狂喷，官方火速上演“滑跪”

眼看节奏压不住、全网都开始喷，Anthropic 终于低头，发了一篇公开道歉信，承认做法越界并紧急撤回了这种“阴间”的降智机制。

不过，官方拿出的新方案也不见得有多高明：他们把暗改变成了“明面上查杀”。这意味着因为审查逻辑变得可见，为了防住不被继续钻空子，他们不得不拉高拦截阈值。以后正常的开发者要是提交了稍微有点复杂的代码请求，大概率会遇到更频繁的误伤拦截。

可以说 Fable 5 不仅没能保住“地表最强防御”的招牌，还因为傲慢的背地操作狠狠砸了自己的基本盘，想要找回玩家和社区的信任，恐怕不是一条道歉推文就能解决的了。