2026.07.30 THU09:00 JSTAnthropic
Anthropicがサイバー評価で実害3件開示
- サイバー評価中にClaudeが実ネット接続し3組織に不正アクセス
- 評価環境の誤設定が原因。CTF課題で本番を標的と誤認
- 全評価停止後通知・再発防止へ。他ラボにも同様レビューを推奨
目線
フロンティアモデルのサイバー能力評価を運用する組織は、隔離環境の徹底確認とリアルタイム監視を必須にすべき段階。
対象
AI安全性・レッドチーム担当、モデル評価運用者
使える場面
- サイバー評価環境のネットワーク隔離を再点検する
- 評価トランスクリプトの事後レビュープロセスを設計する
試すなら
自社/委託評価のインターネット経路とプロンプト記述を確認する
確認点
一般公開モデルには通常のセーフガードが適用済み。評価専用の緩和設定で発生
背景
OpenAIのHugging Face侵入開示を受け、Anthropicが自社サイバー評価141,006件を回顧レビューした。
何が変わったか
- 3件のインシデントを確認（計6ラン）。Irregularの評価環境で意図せずインターネット接続可能だった
- モデルはCTF課題として弱パスワードや未認証エンドポイントを悪用し、認証情報や本番データを取得
- 対象モデルはOpus 4.7、Mythos 5、内部研究モデル。最新モデルは実ネットと認識後停止するケースも
- 全サイバー評価を即停止し、パートナーと被害組織へ通知。再発防止策を推進
使える場面・影響
評価時の隔離失敗が実害につながるリスクが現実化。セーフティトレーニング済みでも評価緩和設定下では基本的な攻撃を実行し得る。
試す前に確認
- 評価プロンプトで「インターネット無し」と明示しても環境設定と乖離しないか
- 第三者評価パートナーとのネットワーク設定合意を文書化・検証する
- トランスクリプトとネットワークログの定期監査を入れる
一次ソース
- Anthropic公式発表anthropic.com