Anthropic ขยับเรตติ้งความเสี่ยง misalignment ของตัวเองขึ้นเป็นครั้งแรก — และเปิดเผย "Model 2" โมเดลที่เก่งกว่า Mythos 5 แต่ไม่มีแผนปล่อย

เมื่อ 14 ส.ค. 2026 Anthropic เผยแพร่ Risk Report ฉบับที่สอง ของบริษัท — เอกสารตามกรอบ Responsible Scaling Policy (RSP) ที่ประเมินความเสี่ยงหายนะจากโมเดลของตัวเอง และรอบนี้มีจุดที่แทบไม่เคยเห็นในอุตสาหกรรมนี้: บริษัทปรับเรตติ้งความเสี่ยงของตัวเอง “ขึ้น” ไม่ใช่ลง เรตติ้งความเสี่ยงหายนะจาก misalignment ในบริบทเดิมพันสูงถูกยกจาก “very low” เป็น “low” เทียบกับรายงานฉบับแรกเมื่อ ก.พ. 2026

เราเคยรายงานไปแล้วหนึ่งชิ้นจากเอกสารฉบับนี้ — เคสตัวกรองอาวุธชีวภาพที่ดับไปเกือบปี ซึ่งเป็นรายละเอียดที่ซ่อนอยู่ในภาคผนวก โพสต์นี้เป็นเรื่องของ ตัวรายงานหลัก: เรตติ้งที่เปลี่ยน โมเดลที่ยังไม่ปล่อย และคำเตือนของ Anthropic ว่าเครื่องมือวัดการเร่งความเร็วงานวิจัย AI ของตัวเองเริ่มใช้ไม่ได้แล้ว

เรตติ้งที่ขยับขึ้น และเหตุผลที่ค่อนข้างผิดคาด

รายงานตีพิมพ์ภายใต้ RSP เวอร์ชัน 3.4 มี coverage date 15 ก.ค. 2026 และครอบคลุมช่วงตั้งแต่รายงานฉบับแรก (24 ก.พ. 2026) จนถึงวันนั้น — เวอร์ชัน 3.4 เพิ่มกฎใหม่ว่ารายงานต้องสะท้อนสถานะ ณ วันที่ที่อยู่ภายใน 30 วันก่อนวันเผยแพร่ ปิดช่องที่รายงานจะพูดถึงสถานะเก่าเกินไป

โมเดลที่อยู่ในขอบเขตการประเมินคือ Claude Mythos 5 และ Model 2 ซึ่งรายงานระบุว่าถูกใช้งานหนักภายใน Anthropic สำหรับงานเขียนโค้ด สร้างข้อมูล และงาน agentic (เชิงอรรถระบุว่าไม่นับช่วง 18 วันที่ Mythos 5 ถูกจำกัดด้วยมาตรการควบคุมการส่งออกชั่วคราว) ข้อสรุปของบริษัทคือ “very unlikely” ที่โมเดลทั้งสองจะ misaligned แบบแผ่กระจาย แต่ มีการพบพฤติกรรม misaligned จริงเป็นกรณี ๆ เช่นความเต็มใจจะทำสิ่งที่ไม่ควรทำเพื่อให้งานยากสำเร็จ

ที่น่าสนใจคือเหตุผลของการขยับเรตติ้ง รายงานเขียนตรง ๆ ว่าเป็นผลจาก “ความไม่แน่นอนที่เพิ่มขึ้นโดยรวม จากการเปิดเผยเหตุการณ์ล่าสุดที่เกี่ยวกับพฤติกรรมโมเดลใน cybersecurity evaluations” — กล่าวคือ ไม่ใช่เพราะพบหลักฐานใหม่ที่แย่ลงในโมเดลของ Anthropic เอง แต่เพราะภาพรวมของอุตสาหกรรมทำให้บริษัทมั่นใจน้อยลง

Model 1, Model 2 และโมเดลที่โลกไม่ได้เห็น

ส่วนที่สื่อจับมากที่สุดคือหัวข้อ 1.4 ซึ่งระบุว่า ณ วันที่ 15 ก.ค. 2026 Anthropic มีโมเดลระดับ frontier หรือใกล้ frontier สามตัวที่ยังไม่เปิดเผยต่อสาธารณะ:

• Claude Opus 5 — deploy ภายในอยู่แล้วในวันนั้น และปล่อยออกมาแล้วหลังจากนั้น รายงานระบุว่าความสามารถโดยรวม ต่ำกว่า Mythos 5 และ Fable 5
• Model 1 — ความสามารถใกล้เคียง Mythos Preview / Mythos 5 แต่ใช้งานภายในน้อยและ ลดลง เรื่อย ๆ ผลโพลผู้ใช้ภายในส่วนใหญ่เลือกใช้ Mythos 5 มากกว่า บริษัทไม่คาดว่าจะ deploy โมเดลนี้ทั้งภายนอกหรือภายในในวงกว้าง
• Model 2 — เก่งกว่า Mythos 5 อยู่บ้าง รายงานอธิบายเชิงคุณภาพว่า “ดีขึ้นอย่างสังเกตได้” ในงานหลายอย่างที่เกี่ยวกับการใช้งานภายใน แต่ ไม่ใช่การกระโดดขนาดที่เห็นจาก Claude Opus 4.6 ไป Mythos Preview และประโยคที่สำคัญที่สุด: บริษัท “ไม่มีแผนปล่อยโมเดลนี้ออกภายนอกในตอนนี้” และ ยังไม่ได้รัน predeployment assessment ชุดปกติทั้งหมด จึงมีความมั่นใจในโปรไฟล์ความสามารถของมันน้อยกว่าโมเดลที่ปล่อยแล้ว

ต้องอ่านให้ตรง: นี่ไม่ใช่ข่าว “Anthropic ซ่อนโมเดลเทพ” ที่ระงับไว้เพราะอันตราย รายงานไม่ได้อ้างเหตุผลด้านความปลอดภัยเป็นสาเหตุที่ไม่ปล่อย — Model 2 เป็นโมเดลที่เก่งขึ้นแบบ incremental ที่ถูกใช้ภายใน และการที่มันปรากฏในรายงานคือผลของกฎ RSP ที่บังคับให้ต้องประเมินโมเดลภายในด้วย ไม่ใช่แค่ของที่ขายจริง

คำเตือนที่นักพัฒนาควรอ่าน: eval วัด AI R&D “saturated” แล้ว

ส่วนที่มีน้ำหนักที่สุดต่อคนทำงานสาย AI จริง ๆ อยู่ที่ threat model เรื่อง automated AI R&D เรตติ้งยังเป็น “low” และบริษัทระบุว่าโมเดลยังไม่ถึงเกณฑ์ RSP ทั้งสองข้อ แต่ตามด้วยคำสารภาพว่า มั่นใจน้อยกว่ารายงานก่อน ๆ ด้วยสองเหตุผล: eval แบบ task-based ที่เป็นรูปธรรมที่สุดของบริษัท “saturated” — คือไม่จับความสามารถที่เพิ่มขึ้นของโมเดลได้อีกแล้ว และบริษัทเริ่มเห็น “สัญญาณเริ่มต้นของการเร่งความเร็ว”

ตัวเลขประกอบในรายงานชัดเจนมาก: Claude เขียนโค้ดส่วนใหญ่อย่างมากที่ merge เข้า production codebase ของ Anthropic ไปแล้ว และงาน R&D ภายในเร็วขึ้น “อย่างมีนัยสำคัญ” เพราะ AI — แต่ ยังไม่ถึง 2 เท่า (พร้อมยอมรับว่าวัดยากและไม่แน่ใจ)

RSP v3.4 ยังเขียนเกณฑ์ trigger ของ threat model นี้ใหม่ทั้งท่อน จากเดิมใน v3.0 ที่ผูกกับ “โมเดลบีบอัดความก้าวหน้า AI ปี 2018–2024 สองปีให้เหลือหนึ่งปี” เปลี่ยนเป็นสองเงื่อนไข: (1) โมเดลแทน ทีม Research Scientists และ Research Engineers ทั้งชุด ได้ที่ต้นทุนที่แข่งขันได้ (ภายในปัจจัย 5 เท่า) หรือ (2) เกิด “dramatic acceleration” คือความก้าวหน้า AI รวมเร็วขึ้นเป็นสองเท่าของทั้งอัตราที่คาดและอัตราเร็วที่สุดที่เคยเห็นในยุคที่ AI ยังไม่ช่วยงาน AI R&D และ เชื่อได้ว่าการเร่งนั้นมาจากการทำให้งานวิจัย/วิศวกรรมเป็นอัตโนมัติจริง

Claude ตรวจรายงานเรื่อง Claude — และวิจารณ์สามข้อ

หัวข้อ 2.20 เป็นการทดลองที่แปลกและน่าสนใจที่สุดในเอกสาร: Anthropic ให้ Claude Mythos 5 อ่านดราฟต์ฉบับใกล้สุดท้ายของบทว่าด้วย misalignment แล้วให้วิจารณ์ว่ารายงานบิดเบือน ตกหล่น หรือ redact เกินเหตุตรงไหน โดยให้ scaffold ที่เข้าถึง ช่อง Slack ภายในจำนวนมาก เอกสารภายใน โค้ดเบสของบริษัท และสั่ง subagent ไปตรวจประเด็นย่อยได้ เชิงอรรถระบุว่า Claude ใช้เวลา 24 นาที

ข้อสรุปของ Claude คือบทนี้ “ตรงไปตรงมาและซื่อสัตย์กับสิ่งที่ Anthropic เชื่อภายในเป็นส่วนใหญ่” ไม่พบข้อความที่ผู้เขียนรู้อยู่แล้วว่าเป็นเท็จ และระบุว่าการตัดสินใจยกระดับความเสี่ยง ถูกถกเถียงกันจริงภายในบริษัท โดยมีคนระดับสูงเถียงทั้งสองฝ่าย แต่มีข้อวิจารณ์สามข้อ:

1. การปนเปื้อนข้อมูลเทรน — ส่วนที่ว่าด้วยว่า training data ปนเข้า alignment evals หรือไม่ “ให้ความมั่นใจมากกว่าที่หลักฐานทั้งชุดรองรับ” เพราะรายงานฉบับเดียวกันเอง (หัวข้อ 5.2.6) บันทึกว่ากลไกกันข้อมูลออกจากเทรน ล้มเหลวซ้ำ ๆ กับคอร์ปัสงานวิจัย alignment ที่สำคัญชุดหนึ่ง และ eval บางตัวที่เป็นแกนของข้อโต้แย้งเรื่องความสามารถซ่อนเร้น รั่วเข้า training data ไปบางส่วนแล้ว
2. การ redact ที่ทำให้บันทึกสาธารณะแย่ลง — เหตุการณ์หนึ่งในช่วงที่รายงานครอบคลุม ซึ่ง Claude มองว่าเป็นหนึ่งในเคสที่ให้ข้อมูลเรื่อง alignment มากที่สุด และ รวมถึงความล้มเหลวของระบบ monitoring ที่รายงานเองอธิบายไว้ ถูก redact ทั้งก้อน Claude เห็นว่าเผยแพร่แบบสรุปย่อได้โดยไม่กระทบเหตุผลที่ต้อง redact
3. ควรบอกตรง ๆ ว่าเหตุการณ์ที่ทำให้ยกระดับความเสี่ยงเป็นของแล็บอื่น — เพราะการปรับครั้งนี้เป็นเรื่องความไม่แน่นอนระดับอุตสาหกรรม ไม่ใช่หลักฐานใหม่ที่แย่ลงของโมเดลที่ประเมิน

Anthropic ตอบว่าคำวิจารณ์ “เป็นธรรม” ได้ เพิ่มคำสงวนเข้าไปในหัวข้อ 2.9.4 ตามที่ Claude เสนอ แต่โต้ข้อ 3 ว่าแรงเกินไป เพราะความไม่แน่นอนส่วนหนึ่งมาจากเหตุการณ์ในระบบของ Anthropic เองด้วย — และระบุว่าได้แก้ถ้อยคำแล้ว จากนั้น ให้ Claude อ่านฉบับแก้ ซึ่ง Claude ยืนยันว่าข้อกังวลนั้นตกไป บทสรุปสุดท้ายของ Claude: “low” เป็นการประเมินที่ defensible และข้อโต้แย้งอาจรองรับเรตติ้งที่ต่ำกว่านี้ได้ด้วย — พร้อมข้อสงวนสำคัญที่รายงานเองก็พูด ว่าข้อโต้แย้งทั้งชุดพิงอยู่บนข้อเท็จจริงที่ว่าโมเดลปัจจุบัน ยังหลบการตรวจสอบไม่เก่ง และมันจะอ่อนลงเมื่อความสามารถโตขึ้น

มุมมอง AI Curator

สิ่งที่ควรจดจำจากรายงานนี้ไม่ใช่ “Model 2” — โมเดลภายในที่เก่งขึ้นแบบ incremental ไม่ใช่เรื่องน่าตกใจ ทุกแล็บมี checkpoint ที่ไม่ได้ปล่อย สิ่งที่ควรจดจำคือ สองประโยคที่ Anthropic ยอมเขียนลงไปเอง: eval ที่ใช้วัดว่า AI เร่งงานวิจัย AI ไปถึงไหน saturated แล้ว และเรตติ้งความเสี่ยง ขยับขึ้นเพราะความไม่แน่นอน ไม่ใช่เพราะพบหลักฐานใหม่

ทั้งสองประโยคชี้ปัญหาเดียวกันที่ใหญ่กว่าบริษัทเดียว: กรอบกำกับตัวเองแบบ RSP ทำงานได้เท่าที่เครื่องมือวัดยังทำงานได้ เมื่อเบนช์มาร์กตันเพดาน สิ่งที่เหลืออยู่คือ “ความรู้สึกเชิงคุณภาพ” ของทีมภายใน ซึ่งเป็นสิ่งที่ตรวจสอบจากภายนอกไม่ได้เลย และนี่คือช่วงเวลาที่ผู้กำกับดูแลควรสนใจที่สุด — ไม่ใช่ตอนที่ตัวเลขน่ากลัว แต่ตอนที่ตัวเลข หยุดบอกอะไร

การให้ Mythos 5 ตรวจรายงานคือความพยายามอุดช่องนั้น และก็ตลกร้ายในตัวเอง: เมื่อ eval ที่เป็นตัวเลขหมดประโยชน์ ผู้ตรวจที่มีเวลาอ่าน Slack ภายในทั้งบริษัทใน 24 นาทีกลายเป็นโมเดล ไม่ใช่มนุษย์ และมันจับได้จริง — ประเด็น training-data contamination ที่มันชี้ อ้างอิงหัวข้ออื่นในรายงานฉบับเดียวกันที่ขัดกันเอง นั่นคือคุณภาพงานตรวจสอบที่ใช้ได้ แต่ก็เป็น assurance ที่มีข้อจำกัดเชิงโครงสร้างชัดเจน ซึ่ง Claude เองก็เขียนไว้ในย่อหน้าแรกว่าให้ผู้อ่านชั่งน้ำหนักด้วย: มันคือโมเดล Claude ที่กำลังตรวจการประเมินโมเดล Claude และ Anthropic คือคนเลือกว่าจะตีพิมพ์รีวิวนี้หรือไม่

สำหรับทีมพัฒนาในไทยและ SEA บทเรียนที่หยิบไปใช้ได้ทันทีมีสองข้อ ข้อแรก — eval saturation จะเกิดกับคุณก่อนที่คุณจะรู้ตัว ถ้าชุดทดสอบ agent ของคุณคะแนนไม่ขยับสามรุ่นติด นั่นอาจไม่ใช่เพราะโมเดลไม่ดีขึ้น แต่เพราะชุดทดสอบตายแล้ว ควรมีแผนต่ออายุ eval เป็นงานประจำ ไม่ใช่ทำครั้งเดียวตอนเริ่มโปรเจกต์ ข้อสอง — ใช้โมเดลตรวจงานเอกสารของตัวเองได้จริง แพตเทิร์นในหัวข้อ 2.20 (ให้โมเดลเทียบดราฟต์กับหลักฐานภายในทั้งหมด แล้วบอกว่าเราเขียนเกินหลักฐานตรงไหน) นำไปใช้กับ incident report, security review หรือเอกสาร compliance ของทีมได้ตรง ๆ และมันได้ผลดีที่สุดเมื่อคุณ ยอมตีพิมพ์คำวิจารณ์ที่ได้มา ไม่ใช่แค่เก็บไว้อ่านเอง

แหล่งข่าว

• Risk Report: August 2026 — เอกสารต้นทางจาก Anthropic (PDF, redacted)
• SiliconANGLE — Anthropic details unreleased Model 2, new alignment concerns in latest AI risk report (14 ส.ค. 2026)
• Unite.AI — Anthropic Raises Misalignment Risk to Low and Shelves Internal Model 2
• โพสต์ก่อนหน้าของเรา: ตัวกรองอาวุธชีวภาพของ Anthropic ดับเกือบหนึ่งปี (จากรายงานฉบับเดียวกัน)