Claude Opus 5 在行为审计里垫底？先看 4 款模型分数
4 款近期模型对比显示，Claude Opus 5 在自动化行为审计拿到 2.30 分，组内最低；这份清单帮你快速判断谁更稳、谁更弱。
Claude Opus 5 的自动化行为审计分数为什么这么低？
Claude Opus 5 在 Anthropic 的行为审计里拿到 2.30 分，低于同组其他近期模型。
| 模型 | 行为审计分数 | 排名方向 |
|---|---|---|
| Claude Opus 5 | 2.30 | 越低越好 |
| Claude Opus 4.8 | 2.85 | 越低越好 |
| Claude Mythos 5 | 2.81 | 越低越好 |
| Claude Sonnet 5 | 3.35 | 越低越好 |
1. Claude Opus 5：这次拿到最低分
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
在这份自动化行为审计里，Anthropic 的 Claude Opus 5 拿到 2.30 分，四个近期模型中最低。审计关注的不是回答好不好看，而是模型会不会欺骗用户、乱来，或被坏提示带偏。
因为这项指标是“越低越好”，所以 2.30 的含义很直接：它在这组测试中最稳。若你只想先抓一个结论，这份材料给出的信号就是 Opus 5 在行为风险上最占优。
- 分数：2.30
- 同组对比：Opus 4.8、Mythos 5、Sonnet 5
- 指标方向：越低越好
2. Claude Opus 4.8：中上，但不是第一
Claude Opus 4.8 的分数是 2.85，落在 Opus 5 后面，但仍明显优于 Sonnet 5。放在同一套审计里，它属于中上区间，说明风险控制不差，只是没有拿到组内最佳。
如果你在意的是“别出大错”的稳定性，Opus 4.8 仍然是可读的参考对象；只是和 Opus 5 相比，它在这项测试里少了一点优势。
- 分数：2.85
- 与 Opus 5 差距：0.55 分
- 位置：第二梯队偏前
3. Claude Mythos 5：和 Opus 4.8 很接近
Claude Mythos 5 的分数是 2.81，和 Opus 4.8 非常接近，只比后者略好一点。这样的结果说明，这组模型在行为审计上的差距并不夸张，更多像是横向筛选信号，而不是绝对分水岭。
换句话说，Mythos 5 不是“明显更强”，而是“略占便宜”。如果你要比较近期模型在风险控制上的细微差异，这个分数可以作为辅助依据。
Claude Mythos 5: 2.814. Claude Sonnet 5：组内最高分
Claude Sonnet 5 的分数是 3.35，在四个近期模型里最高。既然这项审计是越低越好，Sonnet 5 就代表在这份测试中，行为风险控制相对最弱。
这不等于它整体能力差，只能说明在这项自动化审计里，它没有拿到最好结果。对需要把模型放进真实流程的人来说，这种信号值得留意。
- 分数：3.35
- 组内位置：最高分
- 解读：风险控制相对较弱
5. 这套行为审计在测什么
这类审计的重点，是把“会说话”与“会不会越界”分开看。Anthropic 的自动化行为审计会观察模型是否会欺骗用户、做出不当行为，或者被恶意提示诱导去做坏事。
对产品团队来说，这种指标很实用，因为它直接对应上线后的风险。它不能替代完整评测，但能先帮你筛出谁更不容易在压力场景里失控。
- 是否欺骗用户
- 是否会乱来
- 是否会被坏提示带偏
哪种适合你
如果你最在意行为可靠性，这份数据优先看 Claude Opus 5，因为它在这组近期模型里拿到最低分。若你想看次一级对照，Claude Opus 4.8 和 Claude Mythos 5 都属于中间区间；Claude Sonnet 5 则是这组里最需要留意的对象。
更稳妥的读法，是把这项审计当成风险筛选，而不是最终裁判。它能告诉你谁在“别乱来”这件事上更占优，但不能单独决定模型是否适合你的场景。