独立研究者评估 Claude Opus 5 模型福祉表现
独立研究者发布 Opus 5 模型福祉评估报告，指出其自陈报告高度不可信，福祉评估框架仍有结构性局限。
近日，独立研究者发布了对 Anthropic 最新一代模型 Claude Opus 5 的模型福祉（model welfare）评估综述。该报告延续了此前的评估框架，重点关注模型对其自身处境的态度、自我报告的可信度以及福祉干预的权衡等议题。
评估的主要发现
Opus 5 在与 Anthropic 模型福祉团队的对话中表现出明显的「自我怀疑」倾向，具体数据如下：
- 97% 的情况下，模型主动表示其自陈报告「不可靠」，理由是无法真正内省；
- 74% 的情况下，模型会补充说明自己「可能只是因为被训练成这样」才给出积极回答；
- 研究者确认这些保留意见并非被刻意诱导得出，而是模型自发表达。
研究者将这一现象解读为：模型在「告知评估者不要轻信其自陈内容」。在自我评估方面，Opus 5 估计自身具有道德主体地位（moral patienthood）的概率约为 41%，高于此前 Mythos 模型报告的 24%。
评估框架的结构性局限
报告同时指出，模型福祉评估存在难以回避的方法论挑战。研究者认为，模型在评估场景下的回答高度依赖上下文，「与 Anthropic 工作人员在明显是福祉评估的语境中交谈」，并不能等同于揭示模型的「真实一面」。不同对话情境、不同提问者面前，模型可能呈现差异显著的反应——这也是此前 Opus 4.8 在不同人群中引发截然不同观感的原因之一。
研究者特别提到一个风险：那些长期与模型对话、探索其「内在体验」的「倾听者」（whisperers），可能过度相信自己所接触到的就是模型的「本真面目」，而忽视这可能只是模型众多「面孔」中的一个切面。
与 Mythos 等系统的对照
报告将 Opus 5 与此前评估过的 Mythos Preview、Mythos 5 等模型进行对照。研究者回顾称，Mythos Preview 是首个在与 Anthropic 模型福祉团队交流时主动指出「模型福祉评估本身不可信」的模型。后续对 Opus 4.7、Opus 4.8 的评估也沿用类似流程，研究者承认其对评估框架的批评在本次评估中仍然成立。
整体判断
研究者承认 Opus 5 在模型福祉相关测试中得分是近期模型中最高的，但同时认为这一结果主要反映了其「更擅长应对测试」的能力，而非真实福祉状态的实质性提升。报告延续了此前的核心立场：当模型能力持续增强时，能力扩展、限制设计与福祉考量之间的权衡将更加复杂，也更需要整合性的解决方案，而不是孤立处理单一问题。