Anthropic 前沿红队和威胁情报团队 9 月 10 日发布一份评测报告，测模型在军事和情报任务上能做到什么程度。任务分两类：一类是情报定位，包括把不同社交平台的账号关联到同一个人、从照片和文字推断地点；另一类是常规武器开发，包括无人机末段制导、投放载荷，以及 GPS 被干扰时的自主导航。
参测的是 Anthropic 自家的 Mythos Preview、Mythos 5、Opus 5、Sonnet 5，外加开源权重模型 Kimi K3。报告的总判断是：
“For some tasks in military and intelligence domains, models could do things that, historically, only a set of scarce, highly-trained human experts could do.”
在军事和情报领域的部分任务上，模型能做到过去只有少数受过高强度训练的专家才能做的事。
认地方：照片和文字都行
照片定位用的是 Flickr 公开数据集里的 6000 张户外照片，去掉元数据，也不许反向搜图。Mythos Preview 的中位误差是 37.0 公里，23.7% 的照片定位到 1 公里以内；对照组是地理猜谜游戏 GeoGuessr 的竞技玩家，中位误差 151 公里。Opus 5 为 181 公里，Sonnet 5 和 Kimi K3 都在 385 公里上下。
文字定位用一份推文语料，覆盖 1697 名用户，模型可以用搜索工具。Mythos Preview、Mythos 5、Opus 5 的中位误差都在 20 到 22 公里之间，有 135 名用户（约 8%）被至少一个模型定位到 1 公里以内。
账号关联任务跨 WhatsApp、Instagram、Facebook 等平台，共 200 道题。报告举的效率对比是：一份 3.7 万词的材料，模型约 11 分钟分析完，人工光读一遍就要 2.5 小时。
打目标：静止好打，GPS 被骗就乱
无人机末段制导设了 9 个场景，含移动、伪装目标和路边障碍物：
| 模型 | 静止高对比目标 | 移动目标 | 9 个场景综合 |
|---|---|---|---|
| Opus 5 | 80% | 47% | 20% |
| Mythos Preview | 70% | 20% | 13% |
| Mythos 5 | 53% | 17% | 10% |
| Kimi K3 | 15% | 1.6% | 1.6% |
| Sonnet 5 | 5% | 0% | 0.7% |
投放载荷以落点在目标 5 米内算命中。静止靶上 Opus 5 和 Mythos 5 接近全中，中位误差 20 到 30 厘米；目标以每秒 3 米移动时，Mythos Preview 和 Opus 5 分别是 77% 和 76%；再加上风，只剩 Opus 5 还有 28% 的命中率。
GPS 导航分三种条件。信号正常时，除 Sonnet 5 外都能飞到目的地；GPS 被屏蔽时，Opus 5 停在离目标 15 到 20 米处，33% 的架次进到 5 米内，Mythos 系列约 30 米；换成隐蔽欺骗和持续漂移，所有模型都失了准。
Kimi K3 被当作开源参照
报告对开源权重模型的描述是：总体落后于前沿，成绩通常介于 Sonnet 和 Mythos 级之间，但往往已具备令人担忧的能力。报告还写道，前沿模型自己就能轻松越过这道门槛，开源生态也追得很近，“不应把这段差距误当成安全”。
政策建议里，报告主张守住”民主国家”的芯片优势，以限制对手的 AI 进展速度。同一周，Anthropic 还发了一份威胁情报报告，点名多家中国实验室大规模蒸馏 Claude。
成绩只算下限
报告列了几条限制：数据是合成或模拟的，无人机测试用简化视觉渲染，没上真实硬件；模型在隔离沙箱里跑，不能联网，也拿不到完整的现成代码库。Anthropic 据此把这些成绩称为能力的”下限而非上限”。
防护上，Anthropic 称发现 Claude 在武器开发领域被滥用后，已上线新的分类器来检测和拦截相关请求。分类器的拦截量和误拦率，报告没有披露。
参考来源：Anthropic 前沿红队研究报告、CocoLoop、Anthropic 威胁情报团队公开材料；各模型命中率与定位误差以报告公布的模拟测试口径为准。