白宫考虑模型发布前审查，Anthropic 又让模型自报隐藏行为，安全开始进入“上线前”阶段

今天监管与安全研究线索放在一起看，非常有连续性。相关讨论援引《纽约时报》消息称，白宫正考虑对高能力 AI 模型实行发布前审查，原因之一是 Claude Mythos 这类模型可能具有更强的黑客能力；与此同时，Anthropic 的内省适配器研究则试图在训练阶段就让模型自我报告潜在不对齐行为，在 AuditBench 上对 56 个被植入隐藏行为的模型给出 89% 的识别成功率，平均成功率也达到 59%。

两条新闻的共同点在于：安全不再只是“模型上线后出了事怎么办”，而是被提前到“模型发布前能不能先做筛查”。这背后是能力跃升带来的自然结果。模型一旦具备更强的代码生成、系统操作和漏洞利用潜力，政府不可能继续把它完全当作普通互联网产品；同样，模型公司也不能只靠红队和人工审计兜底，而需要把检测机制嵌进训练流程本身。

这一变化会直接抬高先进模型的上市门槛。未来最有竞争力的公司，不一定只是最会做模型的公司，也可能是最擅长把评估、审计和合规一起产品化的公司。监管前置意味着发布节奏会变慢，但也会让“安全工程能力”首次变成核心卖点。对整个行业来说，这可能比单次 benchmark 领先更有长期影响。