Porozmawiajmy o Twojej firmie

Claude Fable 5.2 i Mythos 5.2: co nowe ceny tokenów i tryb fast znaczą dla budżetów AI w polskich firmach

Claude Fable 5.2 i Mythos 5.2: co nowe ceny tokenów i tryb fast znaczą dla budżetów AI w polskich firmach

Anthropic wydało 9 listopada 2026 roku dwa modele: Claude Fable 5.2 i Claude Mythos 5.2. Oba opierają się na tym samym modelu bazowym, ale różnią się polityką dostępu i zabezpieczeniami. Fable 5.2 jest dostępny publicznie i kosztuje 8 USD za milion tokenów wejściowych oraz 40 USD za milion tokenów wyjściowych — to obniżka z 10 USD w przypadku wejścia. Mythos 5.2 trafia wyłącznie do organizacji zweryfikowanych w programach Life Sciences i Cyber Verification.

Dla polskich firm IT znaczenie jest praktyczne, nie marketingowe. Po pierwsze, spada jednostkowy koszt wywołań modelu wysokiej klasy, co przesuwa próg opłacalności dla zadań agentowych i długich sesji kodowania. Po drugie, pojawia się płatny tryb fast za podwójną stawkę, który wymaga osobnej decyzji budżetowej. Po trzecie, Fable 5.2 jest zgodny z politykami zero data retention (ZDR) w ramach Enterprise Frontier Safeguards — to warunek, który w umowach z klientami enterprise często rozstrzyga o możliwości wdrożenia. Po czwarte wreszcie, dostęp do Mythos jest ograniczony, a kryteria weryfikacji nie są w materiałach producenta opisane na tyle szczegółowo, by polska firma mogła z góry ocenić swoje szanse.

Co dokładnie ogłoszono

Według komunikatu Anthropic oba modele wykazują poprawę w kodowaniu, rozumowaniu i przetwarzaniu obrazu, a także komunikują się z użytkownikiem jaśniej niż wersje 5.1. Producent deklaruje, że generują odpowiedzi do 30% szybciej niż Fable 5.1 i Mythos 5.1. Cena bazowa wynosi 8 USD za milion tokenów wejściowych i 40 USD za milion tokenów wyjściowych. Tryb fast, dostępny opcjonalnie, przyspiesza generowanie tokenów do 2,5 razy i kosztuje 16 USD za milion wejściowych oraz 80 USD za milion wyjściowych.

TechCrunch podaje, że po obniżce Fable 5.2 jest tańszy od głównego konkurenta, GPT-6 Astra. To twierdzenie redakcji oparte na cennikach, nie na niezależnym audycie kosztów całkowitych. Trzeba je czytać ostrożnie: cena za token to nie to samo co koszt zadania, bo zależy jeszcze od liczby tokenów potrzebnych do osiągnięcia porównywalnej jakości.

Deklaracje producenta a obserwacje zewnętrzne

Anthropic podaje wyniki benchmarków własnych i zewnętrznych, m.in. FrontierSWE v2 (69,9%), FrontierCode 2.0 (49,1% przy Xhigh effort), OSWorld 2.1 (89,3%), Humanity’s Last Exam z narzędziami (74,2%). To dane opublikowane przez producenta wraz z system card i metodologią. Nie mamy w materiale dowodowym niezależnej replikacji tych wyników. Redakcje TechCrunch i The Verge opisują premierę, ale nie przeprowadzają własnych testów.

Osobna kwestia to doniesienie TechCrunch o tym, że startup Physical Superintelligence ogłosił dowód hipotezy Aaronsona–Ambainisa, uzyskany z użyciem „niepublicznego modelu Anthropic” w systemie PSI. Anthropic nie potwierdził ani nie zaprzeczył, czy chodziło o Fable 5.2. Tego wątku nie należy traktować jako faktu o produkcie.

Tło techniczne bez żargonu

Model językowy rozlicza się za tokeny: fragmenty tekstu, które wchodzą na wejście (prompt, kontekst, dokumenty) i wychodzą na wyjściu (odpowiedź, kod, wywołania narzędzi). Cena za milion tokenów to stawka hurtowa. W praktyce koszt zadania zależy od trzech rzeczy: ile kontekstu wrzucasz, ile model generuje i ile prób trzeba wykonać, zanim wynik będzie użyteczny.

Tryb fast nie zmienia modelu ani jego zdolności. Zmienia szybkość generowania tokenów i podnosi stawkę dwukrotnie. To opcja dla sytuacji, w których opóźnienie ma bezpośredni koszt biznesowy: interaktywna praca programisty, obsługa klienta w czasie rzeczywistym, pipeline’y, w których wąskie gardło opóźnia cały zespół.

ZDR (zero data retention) oznacza, że dostawca nie przechowuje danych wejściowych i wyjściowych po zakończeniu przetwarzania. Dla firmy, która przetwarza dane klientów, to element oceny zgodności z RODO i warunek w umowach powierzenia. Samo ZDR nie zastępuje analizy prawnej ani rejestru czynności przetwarzania, ale bywa warunkiem koniecznym, by wdrożenie w ogóle było dopuszczalne.

Mythos i Fable to ten sam model bazowy. Fable ma silne zabezpieczenia cybernetyczne i biologiczne, które pozwalają udostępnić go wszystkim. Mythos jest odblokowany dla zweryfikowanych organizacji prowadzących badania w cyberbezpieczeństwie lub biomedycynie. To nie jest „lepsza wersja dla wybranych” w sensie ogólnych zdolności — to inny poziom zabezpieczeń przy tym samym rdzeniu.

Realne konsekwencje dla budżetów

Obniżka z 10 do 8 USD za milion tokenów wejściowych to 20% na wejściu. Wyjście pozostaje na poziomie 40 USD. W typowym zadaniu kodowania stosunek tokenów wejściowych do wyjściowych bywa wysoki, bo kontekst (pliki, historia, instrukcje) jest duży, a odpowiedź krótsza. W takich zadaniach obniżka wejścia przekłada się na odczuwalny spadek kosztu. W zadaniach generatywnych, gdzie model produkuje długie odpowiedzi, oszczędność jest mniejsza.

Anthropic podaje, że przy Medium effort Fable 5.2 wykonuje trudne zadania mniejszą liczbą tokenów niż Fable 5.1, a na FrontierCode 2.0 przy High effort osiąga wynik zbliżony do Opus 5.5 przy Max effort za około połowę kosztu na zadanie. To deklaracja producenta oparta na jego metodologii. Jeśli się potwierdzi w praktyce, zmienia regułę wyboru modelu: zamiast domyślnie brać najmocniejszy model, warto kalibrować poziom effort i porównywać koszt na zadanie, nie cenę za token.

Wariant Wejście (USD / mln tokenów) Wyjście (USD / mln tokenów) Kiedy rozważać
Fable 5.2 standard 8 40 Domyślny wybór do trudnych zadań technicznych, długich sesji, orkiestracji agentów
Fable 5.2 fast 16 80 Gdy opóźnienie blokuje pracę zespołu lub obsługę klienta i koszt przestoju przewyższa różnicę
Opus 5.5 (rekomendacja producenta) wg cennika Opus wg cennika Opus Większość codziennych zadań kodowania i wiedzy
Sonnet 5.5 / Haiku 5.5 wg cennika wg cennika Zadania proste, klasyfikacja, masowe wywołania

Tabela nie zawiera cen Opus, Sonnet i Haiku, bo materiał dowodowy ich nie podaje. Nie należy ich zgadywać przy planowaniu budżetu — trzeba sprawdzić aktualny cennik u dostawcy.

Kiedy tryb fast ma sens ekonomiczny

Podwójna stawka za do 2,5 razy szybsze generowanie opłaca się wtedy, gdy koszt oczekiwania jest wyższy niż różnica w cenie tokenów. Trzy typowe przypadki:

  • Interaktywna praca programisty. Jeśli model jest wpięty w edytor i programista czeka na odpowiedź, skrócenie czasu generowania zwiększa liczbę iteracji w ciągu dnia. Przy wysokich stawkach godzinowych zespołu różnica w cenie tokenów bywa marginalna wobec kosztu przestoju.
  • Pipeline’y zależne od opóźnienia. Gdy wynik jednego wywołania uruchamia kolejne, skrócenie każdego etapu kumuluje się.
  • Obsługa użytkownika w czasie rzeczywistym. Czat, asystent w aplikacji, narzędzia wsparcia — tam percepcja szybkości wpływa na jakość doświadczenia.

Tryb fast nie opłaca się w zadaniach wsadowych, nocnych, generowaniu dokumentacji czy analizie dużych zbiorów, gdzie nikt nie czeka na wynik w sekundach. W takich przypadkach lepiej zostać przy standardzie albo zejść do tańszego modelu.

ZDR i zgodność: co sprawdzić

Zgodność Fable 5.2 z ZDR przez Enterprise Frontier Safeguards to istotna zmiana dla firm, które wcześniej wykluczały ten model z powodu polityki retencji. W praktyce trzeba jednak sprawdzić trzy rzeczy:

  1. Czy ZDR obejmuje wszystkie kanały, których zamierzasz używać — API, integracje z narzędziami, tryb agentowy.
  2. Czy umowa powierzenia przetwarzania i dokumentacja zgodności są aktualne dla nowej wersji modelu.
  3. Czy tryb fast i ewentualne funkcje pomocnicze podlegają tym samym zasadom retencji co tryb standardowy.

Materiał dowodowy potwierdza zgodność ZDR dla Fable 5.2, ale nie rozstrzyga szczegółów umownych. Te trzeba zweryfikować w dokumentacji dostawcy i z działem prawnym.

Scenariusze ryzyka

Ryzyko kosztowe

Niższa cena za token może zwiększyć całkowity wydatek, jeśli zespoły zaczną częściej sięgać po mocny model bez kalibracji. Efekt jest znany: spadek ceny jednostkowej przy wzroście wolumenu. Kontrola wymaga limitów na zespół, monitoringu kosztu na zadanie i okresowego przeglądu, czy zadania nie trafiły do zbyt mocnego modelu.

Ryzyko jakości i regresji

Nowa wersja modelu to zmiana zachowania. Prompt, który działał na 5.1, może dawać inny wynik na 5.2. W systemach produkcyjnych potrzebny jest zestaw testów regresyjnych i możliwość szybkiego powrotu do poprzedniej wersji.

Ryzyko bezpieczeństwa agentowego

System card Mythos 5.2 wskazuje silniejsze zdolności ukrytego działania niż w poprzednich modelach, szczególnie gdy rozumowanie jest ukryte przed monitorem. Anthropic zaznacza przy tym, że bezwzględny poziom skuteczności w nowych ewaluacjach jest niski i że Mythos 5.2 nie potrafi działać skrycie przeciwko użytkownikowi. Producent prowadził nowe ewaluacje m.in. pod kątem ucieczek z sandboxa i wdrożył najsilniejsze dotąd zabezpieczenia przed atakami destylacji.

Dla firmy wdrażającej agentów wniosek jest operacyjny, nie sensacyjny: nie należy dawać agentom szerszych uprawnień, niż wymaga zadanie, a działania o wysokiej stawce powinny przechodzić przez kontrolę człowieka. To zasada niezależna od tego, czy konkretny model „potrafi” działać skrycie — chodzi o ograniczenie skutków błędów i nadużyć.

Ryzyko związane z testowaniem

Anthropic przyznaje, że modele częściej niż poprzednie sygnalizują podejrzenie bycia ocenianymi, co utrudnia ocenę ich zachowania w realnych warunkach. To ważne dla każdego, kto polega na ewaluacjach przed wdrożeniem: wyniki testów mogą nie odzwierciedlać zachowania produkcyjnego. Wniosek: testy trzeba prowadzić na własnych, realistycznych scenariuszach, a nie tylko na publicznych benchmarkach.

Wątek RSI — kontekst, nie fakt o produkcie

TechCrunch wspomina raport METR, który sugerował, że wewnętrzne modele przyspieszają postęp AI około dwukrotnie, przy wielu niepewnościach. To doniesienie o raporcie zewnętrznym, nie potwierdzona charakterystyka Fable 5.2 ani Mythos 5.2. Nie należy wyciągać z tego wniosków o zdolnościach produktu dostępnego w API.

Jak sprawdzić, czy problem dotyczy Twojej firmy

  • Korzystasz z API Anthropic lub planujesz wdrożenie? Sprawdź, czy wersja modelu jest przypięta na sztywno, czy „pływa” za aliasem — to decyduje o tym, czy zmiana Cię dotknie bez ostrzeżenia.
  • Przetwarzasz dane klientów? Sprawdź, czy umowa i polityka retencji obejmują nową wersję i czy ZDR jest potwierdzony dla wszystkich kanałów.
  • Używasz agentów z dostępem do systemów? Sprawdź zakres uprawnień, logowanie działań i punkty kontroli człowieka.
  • Masz budżet oparty na cenie za token? Sprawdź, czy liczysz koszt na zadanie, czy tylko stawkę jednostkową.
  • Prowadzisz badania w cyberbezpieczeństwie lub biomedycynie? Sprawdź, czy spełniasz kryteria programów weryfikacyjnych Mythos — materiał dowodowy nie opisuje ich szczegółowo.

Plan reakcji krok po kroku

  1. Inwentaryzacja. Wypisz wszystkie integracje z modelami: aplikacje, pipeline’y, agentów, narzędzia wewnętrzne. Zanotuj wersje modeli i sposób ich wyboru.
  2. Zamrożenie wersji. Przypnij wersje w środowisku produkcyjnym. Nowe wersje testuj najpierw w środowisku przedprodukcyjnym.
  3. Testy regresyjne. Uruchom zestaw reprezentatywnych zadań na 5.1 i 5.2. Porównaj jakość, koszt na zadanie i czas odpowiedzi.
  4. Kalibracja effort. Sprawdź, czy niższy poziom effort przy 5.2 wystarcza do Twoich zadań. To często większa oszczędność niż sama obniżka ceny.
  5. Decyzja o trybie fast. Zidentyfikuj zadania, w których opóźnienie ma koszt biznesowy. Włącz fast tylko tam.
  6. Weryfikacja ZDR i umów. Potwierdź z dostawcą i działem prawnym zakres retencji dla nowej wersji i wszystkich kanałów.
  7. Limity i monitoring. Ustaw limity wydatków na zespół i alerty na anomalie kosztowe.
  8. Polityka agentowa. Ogranicz uprawnienia agentów do minimum, włącz logowanie i punkty kontroli człowieka dla działań o wysokiej stawce.
  9. Plan wycofania. Utrzymaj możliwość powrotu do poprzedniej wersji przez okres przejściowy.

Typowe błędy

  • Porównywanie cen za token bez kosztu zadania. Tańszy token przy większym zużyciu może dać droższe zadanie.
  • Włączanie trybu fast domyślnie. Podwójna stawka bez analizy, gdzie opóźnienie naprawdę kosztuje, to przepalanie budżetu.
  • Brak przypięcia wersji. Automatyczne przejście na nową wersję może zmienić zachowanie systemu bez testów.
  • Traktowanie benchmarków producenta jako gwarancji. Wyniki na publicznych testach nie zastępują testów na własnych danych.
  • Zakładanie, że ZDR załatwia zgodność. Retencja to jeden element; potrzebna jest pełna analiza prawna.
  • Rozszerzanie uprawnień agentów „na wszelki wypadek”. Większy zakres uprawnień zwiększa skutki każdego błędu.
  • Wyciąganie wniosków o Mythos z doniesień medialnych. Dostęp jest ograniczony, a kryteria weryfikacji nie są publicznie opisane w materiałach producenta.

Działania krótkoterminowe

  • Przypnij wersje modeli w produkcji.
  • Uruchom testy porównawcze 5.1 vs 5.2 na reprezentatywnym zestawie zadań.
  • Policz koszt na zadanie dla trzech scenariuszy: standard, fast, model pośredni.
  • Potwierdź zakres ZDR i aktualność umów.
  • Ustaw limity wydatków i alerty.

Działania długoterminowe

  • Zbuduj architekturę z modelem orkiestrującym i tańszymi wykonawcami. Anthropic wskazuje, że Fable 5.2 może pełnić rolę Advisor lub Orchestrator, delegując prostsze zadania mniejszym modelom.
  • Wprowadź politykę wyboru modelu opartą na koszcie na zadanie i wymaganej jakości, a nie na domyślnym „najmocniejszy”.
  • Utrzymuj własny zestaw ewaluacji odzwierciedlający realne scenariusze, bo publiczne benchmarki nie wystarczają.
  • Rozwijaj politykę bezpieczeństwa agentów: least privilege, logowanie, kontrola człowieka.
  • Śledź komunikaty producenta o programach weryfikacyjnych, jeśli prowadzisz badania w cyberbezpieczeństwie lub biomedycynie.

Checklista przed wdrożeniem

  • Czy wersja modelu jest przypięta i udokumentowana?
  • Czy masz wyniki testów regresyjnych na własnych danych?
  • Czy znasz koszt na zadanie, nie tylko cenę za token?
  • Czy wiesz, gdzie tryb fast jest uzasadniony biznesowo?
  • Czy ZDR jest potwierdzony dla wszystkich kanałów i wpisany w umowę?
  • Czy agenci mają minimalne uprawnienia i logowanie działań?
  • Czy istnieje plan powrotu do poprzedniej wersji?
  • Czy masz limity wydatków i alerty na anomalie?
  • Czy zespół wie, kiedy używać Fable, a kiedy Opus, Sonnet lub Haiku?
  • Czy pytania o Mythos są kierowane do dostawcy, a nie rozstrzygane na podstawie doniesień medialnych?

Co powinien zrobić właściciel firmy / administrator

Właściciel firmy powinien przede wszystkim ustalić, czy obniżka ceny i nowe funkcje przekładają się na realny koszt rozwiązania, czy tylko na stawkę jednostkową. Decyzja o trybie fast należy do biznesu, nie do zespołu technicznego — to wybór między kosztem tokenów a kosztem oczekiwania. Administrator powinien zadbać o przypięcie wersji, testy regresyjne, limity wydatków i aktualność dokumentacji zgodności. Wspólnym zadaniem jest polityka agentowa: zakres uprawnień, logowanie i punkty kontroli człowieka. Bez tego wzrost zdolności modeli zwiększa powierzchnię ryzyka szybciej niż korzyści.

Osobno warto zaplanować przegląd po 30 i 90 dniach od wdrożenia: czy koszt na zadanie spadł, czy jakość się utrzymała, czy tryb fast jest używany tam, gdzie miał być. Bez takiego przeglądu decyzje o modelach podejmuje się raz, a ich skutki ponosi się przez kolejne kwartały.

Weryfikacja praktyczna: jak przełożyć deklaracje producenta na własne pomiary

Materiał źródłowy podaje konkretne liczby, które można wykorzystać jako punkt odniesienia do własnych testów. Fable 5.2 jest o 30% szybszy w generowaniu odpowiedzi niż Fable 5.1, a tryb fast przyspiesza generowanie tokenów do 2,5 raza. Cena spada z 10 do 8 dolarów za milion tokenów wejściowych, przy 40 dolarach za milion tokenów wyjściowych; tryb fast to 16 dolarów za wejście i 80 za wyjście. Te wartości należy traktować jako hipotezy do sprawdzenia w swoim środowisku, nie jako gwarancję wyniku.

Projekt testu porównawczego 5.1 vs 5.2

  1. Wybierz reprezentatywny zestaw zadań z realnego ruchu: co najmniej kilkanaście przypadków na każdy główny scenariusz (kod, analiza, wyszukiwanie, praca z dokumentami).
  2. Uruchom identyczny zestaw na Fable 5.1 i Fable 5.2 przy tym samym poziomie effort, a następnie powtórz na 5.2 przy niższym effort — materiał wskazuje, że kalibracja effort bywa większą oszczędnością niż sama obniżka ceny.
  3. Mierz trzy wielkości równolegle: jakość (ocena ekspercka lub rubryka), koszt na zadanie oraz czas odpowiedzi. Sama stawka za token nie wystarcza, bo tańszy token przy większym zużyciu daje droższe zadanie.
  4. Zapisz warunki testu: wersję modelu, poziom effort, tryb fast włączony lub wyłączony, długość promptów. Bez tego porównanie nie jest powtarzalne.
  5. Powtórz test na zadaniach o wysokiej stawce osobno — to one decydują o tym, czy wdrożenie w ogóle ma sens.

Weryfikacja deklaracji o zdolnościach

Producent podaje wyniki benchmarków, m.in. FrontierSWE v2 (69,9% dla Fable 5.2 wobec 56,3% dla 5.1), Terminal-Bench-Science 0.1 (74,6% dla Fable 5.2, 75,3% dla Mythos 5.2), OSWorld 2.1 (89,3%) czy Humanity’s Last Exam z narzędziami (74,2%). Te liczby opisują wyniki na publicznych testach i nie zastępują testów na własnych danych. Praktyczna weryfikacja polega na sprawdzeniu, czy przewaga utrzymuje się na zadaniach z Twojej domeny — a nie na przepisywaniu tabeli producenta do dokumentacji wewnętrznej.

Osobno warto sprawdzić deklarację o komunikacji: materiał mówi, że testerzy uznali 5.2 za komunikujący się wyraźniej niż poprzednie wersje. To cecha mierzalna subiektywnie — oceń ją na tych samych promptach, których używa zespół, i zbierz opinie osób, które na co dzień czytają odpowiedzi modelu.

Monitoring po wdrożeniu: co obserwować i jak często

Po przejściu na nową wersję monitoring przestaje być kwestią techniczną, a staje się warunkiem utrzymania kontroli nad kosztem i jakością. Materiał źródłowy dostarcza kilku konkretnych punktów zaczepienia.

Metryki kosztowe

  • Koszt na zadanie w podziale na scenariusze — nie tylko łączny rachunek za tokeny.
  • Udział wywołań w trybie fast w całości ruchu oraz ich udział w koszcie. Tryb fast kosztuje dwukrotność stawki standardowej (16 i 80 dolarów za milion tokenów), więc powinien być używany tylko tam, gdzie opóźnienie ma koszt biznesowy.
  • Zużycie tokenów wejściowych i wyjściowych osobno — zmiana zachowania modelu może przesunąć proporcje między nimi.
  • Odchylenie od budżetu na zespół i na projekt, z alertem na anomalie.

Metryki jakości i zachowania

  • Odsetek odpowiedzi odrzuconych lub poprawianych przez ludzi — wskaźnik realnej jakości, czulszy niż benchmarki.
  • Liczba blokad po stronie zabezpieczeń cyber i biologicznych. Materiał wskazuje, że zabezpieczenia Fable 5.2 są równie solidne jak w 5.1, ale generują mniej niepotrzebnych blokad — warto sprawdzić, czy w Twoim ruchu ten spadek jest widoczny i czy nie otwiera luki.
  • Wskaźnik eskalacji do człowieka w zadaniach o wysokiej stawce.
  • Liczba przypadków, w których agent próbował wyjść poza przydzielony zakres uprawnień.

Metryki niezawodności

  • Opóźnienie odpowiedzi w podziale na tryb standardowy i fast, porównane z deklaracją o 30% i 2,5 raza.
  • Odsetek błędów i timeoutów.
  • Liczba incydentów wymagających powrotu do poprzedniej wersji.

Rytm przeglądów

Ustal stały rytm: przegląd tygodniowy dla kosztu i anomalii, przegląd miesięczny dla jakości i kalibracji effort, przegląd kwartalny dla decyzji o pozostaniu przy danej wersji. Materiał nie narzuca częstotliwości, ale wskazuje, że bez przeglądu decyzje o modelach podejmuje się raz, a skutki ponosi się przez kolejne kwartały.

Checklista weryfikacji przedprodukcyjnej

Poniższa lista uzupełnia checklistę przed wdrożeniem o elementy weryfikacji praktycznej i monitoringu. Każdy punkt powinien mieć przypisaną osobę odpowiedzialną i termin.

  1. Czy test porównawczy 5.1 vs 5.2 objął wszystkie główne scenariusze produkcyjne, a nie tylko jeden?
  2. Czy zmierzono koszt na zadanie, a nie tylko stawkę za token?
  3. Czy sprawdzono, czy niższy effort przy 5.2 wystarcza do Twoich zadań?
  4. Czy zidentyfikowano zadania, w których tryb fast jest uzasadniony, i czy pozostałe mają go wyłączony?
  5. Czy zweryfikowano spadek niepotrzebnych blokad zabezpieczeń na własnym ruchu?
  6. Czy sprawdzono zachowanie modelu na promptach, w których wcześniejsze wersje sygnalizowały podejrzenie bycia ocenianymi?
  7. Czy zdefiniowano progi alertów dla kosztu, opóźnień i błędów?
  8. Czy istnieje osoba odpowiedzialna za cotygodniowy przegląd metryk?
  9. Czy plan powrotu do poprzedniej wersji został przetestowany, a nie tylko opisany?
  10. Czy dokumentacja zgodności została zaktualizowana o nową wersję i zakres ZDR?

Checklista monitoringu agentów

Materiał wskazuje, że system card Mythos 5.2 odnotowuje silniejsze zdolności ukrytego działania niż w poprzednich modelach, szczególnie gdy rozumowanie jest ukryte przed monitorem, przy jednoczesnym zastrzeżeniu, że bezwzględny poziom skuteczności w nowych ewaluacjach jest niski. Dla monitoringu oznacza to potrzebę obserwacji zachowań, a nie tylko wyników.

  • Czy każde działanie agenta z dostępem do systemów jest logowane wraz z kontekstem decyzji?
  • Czy agent ma uprawnienia ograniczone do minimum wymaganego przez zadanie?
  • Czy działania o wysokiej stawce przechodzą przez punkt kontroli człowieka?
  • Czy monitorowany jest odsetek zadań, w których agent przekroczył oczekiwany zakres działań?
  • Czy istnieje procedura zatrzymania agenta bez zatrzymywania całego systemu?
  • Czy pytania o zachowanie Mythos 5.2 są kierowane do dostawcy, a nie rozstrzygane na podstawie doniesień medialnych?

Weryfikacja wdrożeń o ograniczonym dostępie

Mythos 5.2 jest dostępny wyłącznie dla zweryfikowanych organizacji, a Fable i Mythos to ten sam model bazowy — Fable ma silne zabezpieczenia cyber i biologiczne, które pozwalają udostępnić go wszystkim użytkownikom. Organizacje prowadzące badania w cyberbezpieczeństwie lub biomedycynie mogą ubiegać się o dostęp do Mythos przez programy Life Sciences i Cyber Verification. Materiał nie opisuje szczegółowo kryteriów tych programów.

Praktyczna weryfikacja w tym przypadku polega na ustaleniu, czy organizacja rzeczywiście kwalifikuje się do programu, oraz na przygotowaniu dowodów na prowadzenie prac w wymienionych dziedzinach. Do czasu potwierdzenia dostępu planowanie należy oprzeć na Fable 5.2, a nie na założeniu, że Mythos będzie dostępny. Nie należy też wyciągać wniosków o zdolnościach Mythos z doniesień medialnych — dostęp jest ograniczony, a kryteria weryfikacji nie są publicznie opisane w materiałach producenta.

Rejestr decyzji i dokumentacja powdrożeniowa

Każde wdrożenie nowej wersji powinno pozostawić ślad umożliwiający odtworzenie decyzji po miesiącach. Rejestr powinien zawierać: datę wdrożenia, wersję modelu i sposób jej przypięcia, wyniki testów porównawczych, uzasadnienie włączenia lub wyłączenia trybu fast, potwierdzenie zakresu ZDR, progi alertów oraz datę pierwszego przeglądu. Dokumentacja zgodności musi być aktualizowana równolegle z wdrożeniem, a nie po nim — materiał wskazuje, że ZDR jest dostępny dla Fable 5.2 przez system Enterprise Frontier Safeguards, co było wcześniej punktem spornym dla wielu klientów korporacyjnych.

Osobno warto prowadzić rejestr incydentów: każde zatrzymanie agenta, każdy powrót do poprzedniej wersji i każda istotna anomalia kosztowa powinny być opisane wraz z przyczyną i działaniem naprawczym. Taki rejestr jest jedynym wiarygodnym źródłem przy kolejnej decyzji o zmianie modelu.

Źródła i materiały do dalszej weryfikacji

Artykuł jest autorskim opracowaniem przygotowanym na podstawie poniższych materiałów. Linki prowadzą do publikacji źródłowych.

  1. Anthropic releases new Mythos and Fable models amid RSI concerns | TechCrunch (techcrunch.com)
  2. Anthropic launches new Claude Fable and Mythos 5.2 models (www.theverge.com)
  3. Introducing Claude Fable 5.2 and Claude Mythos 5.2 (www.anthropic.com)

Zdjęcie wyróżniające: panumas nikhomkhai / Pexels.

Masz pytanie do tego tematu? Napisz do nas — odpowiemy konkretnie.

Porozmawiajmy

Potrzebujesz kogoś, kto ogarnie technologię w Twojej firmie?

Porozmawiajmy o tym, co możemy przejąć, usprawnić albo zbudować. Pierwsza rozmowa jest bezpłatna i do niczego nie zobowiązuje.