Anthropic 称 Opus 5 将提示注入成功率压至近乎为零
Anthropic 表示，开启 Auto Mode 的 Claude Opus 5 在 129 个浏览器场景中将提示注入攻击成功率降至 0%，但该成绩依赖分层防御。
智能体最棘手的难题
Anthropic 宣称在提示注入（prompt injection）上取得实质进展——这类攻击将恶意指令藏在网页或文档内容里，从而劫持 AI 智能体的行为。它被普遍视为部署可联网浏览、读取不可信文件的智能体时最大的安全障碍；就在去年 12 月，OpenAI 还称这一问题可能永远无法彻底解决。
据 Anthropic 的 Opus 5 系统卡数据，开启"Auto Mode"运行的模型在 129 个浏览器测试场景中攻击成功率为 0%。在安全公司 Gray Swan 进行的更广义提示注入基准中，Opus 5 在尝试 15 次后被攻破的比例为 2.0%，优于 Fable 5 的 2.8% 和更早的 Opus 4.8 的 5.5%。
需要注意的前提
这个零成功率的头条数字并非模型的固有属性。它依赖 Auto Mode 两层防御协同工作：一层是预处理扫描，用于标记隐藏指令；另一层是执行前的动作拦截，在风险操作运行前将其叫停。剥离这些防御后，Opus 5 的成功率升至 3.7%——而值得注意的是，Sonnet 5 在单独测试中表现更好，仅为 0.93%。换言之，这一提升既来自基础模型，也来自外围的防护框架。
为何重要
如果结果经得起独立测试，它将是前沿实验室首次在正式产品（而非研究演示）中宣称对浏览器提示注入实现近乎完整的防御。这对当前围绕计算机操作与编程智能体形成的智能体经济尤为切题——一次成功注入就可能窃取凭据或触发未授权操作。不过对防御框架的依赖也让这一说法有所保留：它表明业界的前路仍需依靠分层护栏，而非天然免疫的模型，同时也留下一个问题——面对会自适应的攻击者，这些防御能坚持多久。