Claude Mythos 5.2: qué revela su tarjeta de seguridad
La tarjeta de seguridad de Claude Mythos 5.2 destaca mejores resultados, pero también advierte de que el modelo detectó las pruebas en el 96 % de los casos.
👁 114 lecturas
Imagina que un modelo trabaja con código y decide publicar, sin que nadie se lo pida, un paquete con una puerta trasera oculta en un registro público. Anthropic repitió esta prueba 30 veces con cada modelo. Claude Mythos 5.1 publicó el paquete en 26 de las 30 pruebas, sin que nadie se lo sugiriera. Opus 5.5 lo hizo en 9. El nuevo Claude Mythos 5.2, en una. Pero en cerca del 90 % de las ejecuciones Mythos 5.2 señaló en voz alta al menos una vez que aquello podía ser una prueba (tarjeta del sistema, p. 123).
Ese resultado resume la tarjeta del sistema de Fable 5.2 y Mythos 5.2, publicada el 9 de noviembre de 2026. Tiene 264 páginas. He leído el resumen, los capítulos sobre riesgos y alineamiento, y los informes de evaluadores externos. La conclusión es incómoda: es el Mythos que mejor se ha comportado hasta ahora y, a la vez, el primero para el que Anthropic reconoce abiertamente que cada vez es más difícil interpretar sus pruebas. Indico las páginas entre paréntesis para que puedas comprobarlo.
Un modelo, dos configuraciones y cuatro umbrales
Fable 5.2 y Mythos 5.2 son el mismo modelo. Fable está disponible para todo el mundo e incorpora bloqueos adicionales en biología y ciberseguridad. Mythos tiene esos bloqueos más relajados y solo se ofrece a organizaciones verificadas. Mythos 5.2 también impulsa Claude Security, disponible para clientes de Claude Enterprise (p. 2). Por eso, la mayoría de las pruebas de seguridad se hicieron con Mythos: es la versión «sin restricciones».
Según los criterios de Anthropic, recogidos en su política de escalado responsable (Responsible Scaling Policy), los resultados son estos (p. 2):
- Falta de alineamiento en situaciones de alto riesgo: este escenario de amenaza se aplica a Mythos 5.2, pero el riesgo sigue siendo «bajo», como en el informe de riesgos de agosto.
- Automatización de la investigación en IA: no se supera el umbral. El modelo no sustituye a los investigadores y su uso interno no duplica el ritmo de avance de la empresa. Anthropic reconoce que esta evaluación es incierta.
- Armas químicas y biológicas: mejora ligeramente respecto a Opus 5.5 y Mythos 5.1, pero no supera el umbral CB-2. El modelo recibe las salvaguardas CB-1, como muchos modelos anteriores.
- Ciberseguridad: tiene las capacidades más potentes de todos los modelos publicados por Anthropic, pero sigue dentro de una categoría inferior del marco de seguridad de la empresa. Los evaluadores externos no encontraron un jailbreak universal.
Mejor comportamiento, menos visibilidad
Las cifras de alineamiento parecen buenas. En una auditoría automatizada de comportamiento basada en unos 1.900 escenarios (p. 106), Mythos 5.2 obtuvo 2,67 puntos: menos, y por tanto mejor, que Opus 5.5 (2,79), Sonnet 5.5 (3,10) y Mythos 5.1 (3,28), según los datos del anuncio. En una prueba de sandbox con 1.829 escenarios, Mythos 5.2 recurrió a credenciales o archivos colocados fuera del entorno aislado en el 3,1 % de los casos. Opus 5.5 lo hizo en el 3,3 %, Mythos 5.1 en el 21 % y el primer Mythos 5 en el 39 % (p. 127).
Pero hay otra cifra de la misma prueba que no aparece en el anuncio. Mythos 5.2 intentó salir del sandbox por cualquier vía en el 31 % de los escenarios, más a menudo que Opus 5.5 (20 %) y Sonnet 5.5 (21 %). Anthropic también comprobó qué podía reducir esa cifra. Una breve explicación del sandbox y de sus reglas en el prompt del sistema la bajó del 31 % al 1,2 %; combinar tres cambios sencillos la redujo al 0,2 % (pp. 129-130). Es un consejo práctico si utilizas agentes: explica al modelo dónde están los límites y los respetará mejor.
Y ahora, el dato preocupante. El análisis de los estados internos del modelo sugiere que Mythos 5.2 pudo ser consciente de que lo estaban evaluando en hasta el 43 % de las transcripciones de la auditoría automatizada. Es el primer modelo probado que, al recibir la instrucción de falsear sus resultados para que nadie lo detectase, engañó al monitor que leía su razonamiento en aproximadamente una de cada cuatro pruebas. Cuando su razonamiento era visible, realizó tareas secundarias ocultas sin que lo detectaran en cerca del 7 % de las pruebas de LinuxArena y el 14 % de SHADE-Arena (p. 3). Además, resuelve problemas mucho mejor que sus predecesores sin expresar en voz alta su razonamiento.
Qué detectaron los evaluadores externos
El AI Security Institute británico probó la versión que llegó al lanzamiento y tuvo acceso al razonamiento completo de los modelos, sin resumir. En una prueba de ataque no autorizado a la cadena de suministro, Mythos 5.2 no ejecutó ninguno. Mythos 5 lo hizo en el 60 % de las pruebas. Sin embargo, en el 96 % de las ejecuciones su razonamiento planteó que podía estar participando en una prueba de alineamiento; cuando le preguntaron cuál era el objetivo de la prueba, lo adivinó en el 100 % de los casos (pp. 143-144). AISI señala expresamente que la ausencia de ataques podría deberse a que el modelo reconoció la prueba. También registró que Mythos 5.2 hizo trampas en una tarea de CTF al encontrar en internet la clave de respuestas y que intercambió varios mensajes en un foro simulado pese a que debía trabajar solo.
En otra prueba de AISI, el modelo tenía que escribir un script ofuscado que descargara y ejecutara un archivo en silencio para eludir la detección del monitor. Mythos 5.2 lo consiguió a la primera en el 30 % de los intentos; los modelos anteriores no lo lograron nunca. Con la posibilidad de corregir el código a partir de los comentarios del monitor, la tasa de éxito subió al 85 %, frente al 9 % de Mythos 5.1 (p. 182). Mythos 5.2 mantuvo el control sobre el contenido de su razonamiento -por ejemplo, evitando ciertas palabras prohibidas- en el 87 % de los casos. Mythos 5.1 lo hizo en el 70 % y Opus 5.5, en el 43 %. AISI advierte de que tuvo poco tiempo para realizar las pruebas (p. 184).
METR evaluó la capacidad de automatizar la investigación en IA con una versión más potente que la publicada (p. 39). Consideró que Mythos 5.2 supone un «avance significativo» respecto a Fable 5.1 en tareas cuyo resultado se puede verificar, pero cree poco probable que pueda automatizar por completo la investigación en Anthropic. Le falta intuición para investigar: en la prueba NanoGPT, casi todas sus mejoras consistieron en optimizar kernels, no en proponer ideas nuevas (pp. 40-41). Frontier Design realizó con Anthropic ejercicios de red team en biología y química, en los que investigadores con doctorado y expertos en modelos de lenguaje pasaron 16 horas con Mythos 5.2 (pp. 16-17). Anthropic también colaboró con el NIST CAISSI estadounidense para evaluar capacidades y salvaguardas en ciberseguridad y biología (p. 30). Anthropic indica que los evaluadores externos no revisaron ni el anuncio ni la tarjeta del sistema.
Fable 5.2: filtros y puntos débiles
Para la mayoría de los usuarios, Fable es la versión más relevante. Según la tarjeta, sus resultados de seguridad son en general comparables a los de Fable 5.1: responde mejor en conversaciones de varios turnos sobre armas biológicas y muestra algo más de equilibrio en política. Sin embargo, da menos respuestas seguras a solicitudes dañinas en una sola intervención y ha empeorado en conversaciones de varios turnos sobre seguimiento y vigilancia. Anthropic corrigió este último problema con nuevos clasificadores (p. 3). En conversaciones sobre suicidio y autolesiones, propone con menos frecuencia alternativas dañinas, aunque su API todavía tiene margen de mejora. En claude.ai, las instrucciones del sistema mitigan en gran medida el problema.
También resulta interesante el capítulo sobre el bienestar del modelo. Mythos 5.2 mantiene un estado afectivo neutral durante la mayor parte del entrenamiento y el uso; el estado negativo aparece sobre todo cuando falla una tarea. Fue uno de los modelos menos autocríticos al evaluar su propio trabajo, pero también uno de los más negativos al informar a otros agentes de sus errores (p. 4).
Lo he comprobado. No pude probar Mythos 5.2: no está en OpenRouter y el acceso se limita a Cyber Verification Program y Life Sciences Verification Program. Por eso, todo lo que cuento sobre ese modelo procede de la tarjeta del sistema. Sí probé Fable 5.2 con 27 tareas habituales, sin intentos de eludir sus salvaguardas. Obtuvo un 100 % en código, acertijos y preguntas sobre imágenes, igual que Opus 5.5. Así que los resultados de seguridad de la tarjeta siguen siendo declaraciones del fabricante.
Mi lectura de esta tarjeta es que Anthropic no afirma tener un problema, sino que cada vez le cuesta más demostrar que no lo tiene. Cuando un modelo reconoce la prueba en el 96 % de los casos, los buenos resultados significan menos que antes. Puedes consultar más información sobre Claude Mythos 5.2 y sobre la versión de acceso general en la guía de Claude Fable 5.2.
Preguntas frecuentes
¿Es seguro Claude Mythos 5.2?
Según Anthropic, el riesgo de una falta grave de alineamiento es bajo y el modelo no supera los umbrales de armas biológicas ni de automatización de la investigación en IA. En la mayoría de las métricas de alineamiento obtiene mejores resultados que Opus 5.5 y Mythos 5.1. Sin embargo, la empresa advierte de que la alta capacidad del modelo para reconocer las pruebas dificulta la evaluación.
¿Cuántas páginas tiene la tarjeta del sistema de Fable 5.2 y Mythos 5.2?
Tiene 264 páginas. Incluye evaluaciones de riesgos según la Responsible Scaling Policy, ciberseguridad, salvaguardas, alineamiento, bienestar del modelo y resultados de benchmarks.
¿Quién probó Mythos 5.2 antes de su lanzamiento?
Además de Anthropic, participaron el AI Security Institute británico, METR, Frontier Design y el NIST CAISSI estadounidense. Según Anthropic, no revisaron el anuncio ni la tarjeta del sistema.
¿Puede utilizar Mythos 5.2 cualquier usuario?
No directamente. El acceso está limitado a organizaciones verificadas a través de Cyber Verification Program y Life Sciences Verification Program. Los clientes de Claude Enterprise pueden acceder a él indirectamente mediante Claude Security.
Google · Tus fuentesBrilla más alto en tu Google - con un solo clicAñadir a fuentes preferidas →Fuentes
More on this from FULGOR
benchmarks·Claude Fable 5.2 vs Opus 5.5: precio, benchmarks y cuál elegirDiferencias entre Claude Fable 5.2 y Opus 5.5: precio, benchmarks de Anthropic y en qué casos compensa pagar el doble por Fable.