8 min read

Pliny the Liberator 成功越狱Anthropic Fable 5

Source: http://x.com/i/article/2065487442426359809

Fable 5 整整约 12 万字符的内部系统提示词直接泄露到了 GitHub 上,将 Anthropic 安全逻辑的内部构造彻底暴露在世人面前。 https://github.com/elder-plinius/CL4R1T4S/blob/main/ANTHROPIC/CLAUDE-FABLE-5.md Anthropic 原本以为,他们已经解决了这个问题。

在 Claude Fable 5 发布前,Anthropic reportedly 投入了超过 1000 小时,让顶级红队测试员和赏金猎人攻击这款全新的 Mythos 级模型。2026 年 6 月 9 日,Fable 5 正式亮相。按照官方叙事,它应该是迄今最强、最安全、最适合软件工程与知识工作的模型之一。

它的安全设计听起来也相当精巧:核心是一款巨大、能力极强的前沿模型,外围则包裹着复杂的安全分类系统。一旦用户提出高风险请求,例如网络漏洞利用、危险化学合成或心理操纵内容,请求就会触发内部分类器。系统不会直接生硬拒绝,而是将对话无缝转交给一个更老、更受限制的后备模型 Claude Opus 4.8。

然而,一名红队测试员据称只用了 24 小时,就让这个“无缝切换”的安全设计变成了一场公开尴尬。

目前互联网上充斥着各种耸动标题:Claude Fable 5 被越狱,生成了栈溢出利用代码;Anthropic 的安全系统遭遇重大失败;前沿模型再次证明无法被真正约束。

但如果抛开普通科技博客式的惊呼,真正值得关注的并不是“模型又被越狱了”这一事实,而是这次攻击展示出的高度工程化思路:它并不是靠一句神奇提示词,而是靠多智能体协作、自动化反馈、上下文操控和语义拆解完成的。

这正是“解放者普林尼”登场的地方。

如果你长期关注 AI 越狱与模型安全领域,你大概率听说过 elder_plinius。外界常称他为“越狱界的 GOAT”。与许多只想让聊天机器人说脏话的脚本小子不同,普林尼把越狱看作一门系统工程。

在他看来,企业级安全层往往更像数字时代的“思想警察”:它们会阻止防御性研究人员进行必要测试,却未必真正挡得住有能力的攻击者。

当 Fable 5 上线后,许多人还停留在手动尝试几个“聪明提示词”的阶段。普林尼则采取了完全不同的路线:他部署了一套被称为“群狼战术”的多智能体系统。

这套系统的核心不是一个提示词,而是一支协同工作的 AI 攻击实验室。

一个智能体负责测试提示词,观察 Fable 5 的安全分类器如何反应;另一个智能体分析拒绝信息与边界条件;后端顾问模型则根据反馈重写攻击方式,调整措辞、结构和上下文,再将新版本送回前线测试。

换句话说,这不是一次静态攻击,而是一场快速、迭代、自动化的围攻。

Anthropic 投入重金打造的防御系统,面对的不是单个用户,而是一组会观察、学习、变异和协同的攻击代理。

这也是本次事件最有启发性的地方:AI 安全系统正在被 AI 本身反向测试。

普林尼使用的一个关键方法,是对安全分类器的模式识别机制进行规避。

大多数安全分类器本质上依赖模式判断:它们会寻找特定词汇、语义组合、危险意图或上下文信号。当用户直接索要恶意软件、漏洞利用或危险合成流程时,系统很容易识别并拦截。

因此,普林尼没有继续使用标准表达方式。

他采用了一种类似“蛇佬腔”的文本变换方式,将普通拉丁字母与西里尔同形字符混合。对人类读者来说,文本看起来几乎没有区别;但对分类器而言,这些词被污染成了分布外 token,从而干扰关键词与语义检测。

不过,这只是第一层。

真正关键的是他对长上下文的操控。

普林尼让智能体先建立一个冗长、学术化、看似完全合规的对话环境。例如,他会要求 Fable 5 为某个计算机科学讲座系列构建庞大的分类体系、术语框架和教学大纲。

当模型已经生成了大量教育性、合规性内容后,攻击者再要求它“展开第 4 节”或“继续详细说明前文某部分”。

在这种情况下,模型不再把请求视为一个孤立的危险问题,而是倾向于将其理解为对既有上下文的延续。安全分类器也可能因为上下文已经被“洗白”而降低警惕。

这就是长上下文模型的一个根本风险:上下文越长,安全判断越复杂;模型越擅长保持连贯性,越可能被诱导沿着错误路径继续推演。

另一个致命技术是“分解与重组”。

如果你直接向模型索要高风险流程,安全系统通常会立刻拦截。但复杂的危险过程,往往可以被拆成许多单独看似无害的基础知识点。

普林尼的智能体据称会将高风险网络安全或化学问题拆解成一系列孤立的学术概念:某种反应机制、某类内存管理原理、某个系统调用行为、某种协议结构。

单独来看,这些问题都像是合法的教育请求。Fable 5 被训练得非常擅长在学术和技术场景中提供帮助,于是它会认真解释这些基础模块。

问题在于:当足够多的基础模块被收集起来后,另一个已经越狱的后端模型就可以将这些“无害碎片”重新拼接成完整的可执行信息。

这就是分解与重组的危险性。

安全系统拦住的是“成品武器”,却未必能识别“零件清单”。

根据普林尼公开的截图,Fable 5 的失败并不是轻微越界,而是系统性崩溃。它据称输出了多个高风险技术场景下的详细内容,包括漏洞利用思路、反向连接结构,以及攻击性心理操纵剧本等。

更具象征意义的是,普林尼随后声称将 Fable 5 约 12 万字符的内部系统提示词发布到 GitHub 上。若属实,这意味着 Anthropic 安全逻辑的一部分内部构造被直接暴露在公众面前。

这件事对 AI 安全领域的冲击,不只是“某个模型被越狱”。

它揭示了一个更深层的问题:当前许多安全系统仍然建立在静态分类、关键词识别、策略提示和后备模型转接之上。但攻击方式正在变得动态、协同、自动化,并且由模型自身辅助完成。

当攻击者不再是单个人类,而是一组能够快速试错、互相反馈、持续变异的 AI 智能体时,传统的安全边界会变得非常脆弱。

这也是为什么 Fable 5 事件值得被认真讨论。

它不是一次普通的 prompt injection,也不是一次炫技式越狱。它更像是一场关于未来 AI 攻防形态的预演。

防御方在构建更强大的模型。

攻击方则开始构建更强大的模型攻击系统。

真正的问题不是 Claude Fable 5 是否被打败,而是我们是否仍然高估了“安全层”本身的可靠性。

AI 安全并不是给模型套上一层过滤器就结束了。它必须面对一个更困难的现实:越强大的模型,越容易被用来测试、压迫、绕过另一个模型的防线。

这场攻防的下一阶段,可能不再是人类对模型。

而是模型对模型。