为什么更强的模型，往往也更「守规矩」？

当中端模型突然更会把智能体任务做完，人们自然会担心：「更强」是不是也代表「更危险」？Anthropic 对 Sonnet 5 的安全说明给出的画面更细：在不少日常安全维度上，它比 Sonnet 4.6 更好；但在高风险网络安全技能上，它仍远低于旗舰级模型——且默认防护也反映了这个判断。

日常智能体场景，整体更安全

按发布公告摘要，部署前评估显示 Sonnet 5 整体安全性优于 Sonnet 4.6。在智能体安全上，它更擅长拒绝恶意请求，也更能抵抗提示注入的劫持尝试。幻觉与谄媚比例更低。在覆盖协助滥用、欺骗等不当行为的自动化行为审计中，Sonnet 5 总分更低，也就是不当行为更少。

梯度仍然存在。与能力更强的 Opus 4.8、Claude Mythos Preview 相比，Sonnet 5 在这项审计上的不当行为发生率仍略高。这符合 Anthropic 一贯的安全阶梯逻辑：基础能力越强，对齐表现往往也越好。中端正好落在中间——优于前代，却不等于产品线顶端。

网安技能，仍是档位差距最明显之处

Anthropic 写得很清楚：并未针对网安任务专门训练 Sonnet 5。它能做一些常规、无伤害的网络工作；但在可能危险的技能评估——例如编写漏洞利用程序——上，表现远逊于 Opus 4.8 与 Mythos 5。在与 Mozilla 合作、针对 Firefox 147 漏洞（已在 148 修复）的测试中，两款 Sonnet 都未能生成完整可用的利用程序。Sonnet 5 的部分成功率仅略高于前代，官方倾向视为通用智能进步的副产品，而非专项优化。

由于 Sonnet 5 在这些任务上仍略强于前代，发布时默认开启网络安全防护——实时检测并阻断危险网络使用，等级与 Opus 4.7、4.8 一致，但严格程度低于 Fable 5 上更宽的拦截规则；官方对 Sonnet 5 的整体网安风险判断为较低。若是需要放宽防护的专业网安工作，官方仍更推荐 Opus 4.8，并说明 Sonnet 5 已纳入网络安全验证计划，于 Claude 原生平台、AWS 与微软 Foundry 开放，Vertex 版本亦将跟上。

买家该怎么读这条安全阶梯

• 「比上一代中端更安全」≠「与顶端模型一样对齐」
• 日常智能体好用程度，与高风险网安能力，可以不同步前进
• 默认防护是产品的一部分，不只是安全团队才需要看的注脚

有用的收获是把营销常混在一起的两个问题拆开。第一：这个模型会不会拒绝不该做的事，并在普通自动化里站得稳？第二：这个档位是否具备你的安全工作流真正需要的高风险专业技能——以及对应的准入计划？Sonnet 5 的公开安全叙事说明：中端可以在第一点上进步，却不必跃进第二点。正因如此，「更强且往往更守规矩」可以成立，「所有强模型都能互换」仍然不成立。