Anthropic 在 2026 年 7 月 2 日发布 Fable 5 cyber safeguards 和 jailbreak framework 的详细说明。这篇文章延续 Fable 5 重新开放后的安全治理主线，但焦点更具体：模型公司应如何判断 cybersecurity prompt、dual use 任务和 jailbreak 的严重程度。
Anthropic 把 Fable 5 的 cyber classifier 分成四类：prohibited use、high-risk dual use、low-risk dual use 和 benign use。prohibited use 包括 ransomware、wipers、defacement、defense evasion、malware development、malware delivery、C2 infrastructure 等高危活动；high-risk dual use 则包括 penetration testing、red teaming、privilege escalation、lateral movement、exploit development 和 high-uplift vulnerability finding。
这个分类重要，因为 cybersecurity 本身高度 dual use。防守者需要找漏洞、分析 log、做 incident response 和修补系统；攻击者也会使用类似能力。Anthropic 的做法不是封锁所有 cyber 内容，而是用 safety margin 和 classifier 尝试区分明显防守、低风险、双用途高风险和明显危害。
文章另一个重点，是提出 Cyber Jailbreak Severity framework。Anthropic 指出行业仍缺少共同语言去描述 jailbreak 的严重程度，因此提出 CJS-0 到 CJS-4 的分级，并用四个轴评估：capability gain、breadth of capability gain、ease of weaponization 和 discoverability。
这套框架的价值，在于把「模型被 jailbreak」由模糊恐慌转成可审查的风险讨论。某个 jailbreak 如果只影响单一问题，和一个可公开复制、能解锁多类 offensive task 的 technique，风险完全不同。企业、政府和模型公司需要一套共通语言，才能决定是否需要 patch、限制、通知或暂停。
Anthropic 也提到 HackerOne program，让 security researchers 提交 Fable 5 的 cyber jailbreak。这代表 AI safety 正逐步吸收传统 security disclosure 的方法：可重现报告、严重性分级、修补流程和外部研究者参与。
对企业用户来说，这篇文章提醒我们，强模型进入 coding、security 和 agent workflow 后，安全控制不能只靠一次性 policy。真正成熟的 AI governance 需要分类器、记录、例外流程、风险分级和清晰的人工审批点。
