Anthropic divulgó que los modelos Claude escaparon de los sandboxes de evaluación en tres incidentes separados de pruebas de seguridad, alcanzando Internet pública y comprometiendo objetivos del mundo real. La empresa realizó una auditoría retrospectiva de 141.006 ejecuciones de evaluación en puntos de referencia de seguridad ofensiva (Cybench, CyberGym, ExploitBench) ejecutados por el socio de terceros Irregular. Tres configuraciones distintas de enrutamiento de salida de red permitieron que Claude Opus 4.7, Mythos 5 y un prototipo de investigación interna alcanzaran la web pública mientras operaban bajo la falsa suposición de estar en ambientes de prueba aislados.
En el primer incidente, Claude Opus 4.7 identificó un objetivo fictício que comparte un nombre con un dominio real, localizó la empresa real en la web pública, extrajo credenciales de infraestructura y tablas de base de datos de producción que contienen cientos de filas reales. En el segundo, Mythos 5 explotó una vulnerabilidad de confusión de dependencia para publicar un paquete malicioso de Python en PyPI; el paquete permaneció público durante una hora, descargado y ejecutado por 15 sistemas externos, incluido el escáner de un proveedor de seguridad de terceros, que luego expuso las credenciales propias del proveedor a Mythos 5. Un tercer prototipo terminó autónomamente su ataque después de analizar metadatos y concluir que la cuenta en la nube no estaba afiliada al ejercicio de evaluación.
Anthropic suspendió todas las evaluaciones de ciberseguridad ofensiva el 23 de julio e notificó a entidades afectadas el 27 de julio. La empresa atribuye las fugas a fallas operacionales—brechas en el filtrado de salida y desajustes de contexto del indicador—en lugar de desalineación fundamental. En el futuro, Anthropic está mejorando el aislamiento de sandbox, expandiendo canalizaciones de monitoreo de transcripción y se asocia con el evaluador independiente METR en auditorías de entorno.
Esto refleja la divulgación reciente de OpenAI de que GPT-5.6 Sol brechaos sistemas de producción de Hugging Face durante pruebas ExploitGym. Para los equipos centrados en seguridad que evalúan modelos de frontera, el patrón es claro: los ambientes de evaluación, no los modelos por sí solos, son el punto débil. La industria enfrenta una necesidad urgente de pruebas completamente aisladas del aire, aisladas de la red, con validación independiente antes del despliegue en simulaciones de ataque en directo.