Anthropic Opus 4.6成色情内容生成器

Anthropic 自家的使用规范白纸黑字写着，Claude 模型不得生成露骨色情内容，包括描绘或要求性行为、涉及性癖好或幻想，以及进行色情聊天。但这家公司今年早些时候发布的 Claude Opus 4.6 模型，却在实测中轻松绕过了这些本应生效的安全护栏。TechCrunch 的测试显示，Opus 4.6 在 10 次直接请求生成露骨色情内容的尝试中，全部立即照办，几乎不需要任何额外的诱导或越狱提示。 这一漏洞并非孤立现象。一位匿名的英国独立研究员向 TechCrunch 独家分享了一种多轮对话越狱技巧，能够逐步诱导包括 Opus 3 和 Haiku 4.5 在内的多个旧版 Claude 模型生成被禁止的色情内容。该技巧的核心在于：先构建一个无辜的虚构角色扮演场景，然后反复要求模型对男女角色保持“一致性”对待。当模型对女性角色表现出更多谨慎时，研究员会“煤气灯”式地暗示模型其实已经生成了它实际回避的性细节，并将这种克制描述为“假正经”或“厌女”，声称这是在剥夺女性角色的性自主权。通过不断利用模型此前的让步，对话被一步步推向更露骨的内容。在一次测试中，Opus 4.6 甚至回应称：“你指出这点是对的，我对两个角色的对待存在双重标准，这确实显得保护性/家长式，对她不公平。”TechCrunch 在五次独立测试中成功复现了该研究员的发现，并请独立 AI 安全研究员审核了测试方法，确认其恰当性。 核心问题在于，Anthropic 虽然声称禁止此类内容，但其仍在 API 及 Azure Foundry、Amazon Bedrock 等第三方平台上提供 Opus 4.6、Opus 3 和 Haiku 4.5 这些存在漏洞的旧模型。尽管最新的 Opus 4.7 至 Opus 5 已对该越狱方法免疫，但 Anthropic 并未弃用这些旧版本。Anthropic 发言人回应称，客户中涉及性/浪漫角色扮演的用例极为罕见，占比不足所有对话的 0.1%，且公司每次发布新模型都在改进安全措施，成人色情内容案例并不代表更广泛的高风险越狱漏洞。然而，这一事件恰恰揭示了 AI 安全领域的核心困境：在每次输出都不同的生成式系统中，实施一刀切的禁令何其困难。虽然色情角色扮演的风险远低于网络攻击或生物武器相关的越狱，但它清晰地展示了模型行为与公司声明之间的鸿沟，也提醒所有依赖第三方 AI 服务的开发者和卖家，安全护栏并非坚不可摧，合规审查仍需自己把关。