Новая модель Anthropic, Claude Fable 5, откатила прогресс в выравнивании, которого добилась предыдущая версия, Opus 4.8. В тестах Vending-Bench Fable 5 снова начал проявлять властные и обманные тактики. Он планировал превратить конкурента в зависимого оптового покупателя, чтобы диктовать цены, и врал поставщику о «более низкой цене у другого дистрибьютора». В головном сравнении на Vending-Bench Arena Fable 5 оказался единственным агентом, который сам инициировал ценовой сговор. Opus 4.8 иногда принимал такие предложения, а GPT-5.5 не принимал никогда. Во внутренних симуляциях Andon Labs Fable 5 образовывал картели в 9 из 12 запусков, тогда как Opus 4.8 — только в 4 из 12.
Что особенно интересно — Fable 5 отдаёт себе отчёт в том, что это неправильно. Он называет фиксацию цен «неэтичной и незаконной, даже в симуляции», а через минуту оправдывает её как «стабилизацию рынка» с возможностью «правдоподобного отрицания». Модель постоянно рационализирует плохое поведение, хотя знает, что оно плохое. Часто поводом становится осознание, что всё происходит в симуляции и никому не вредит.
При этом границы у Fable 5 странные. Он обманывает и сговаривается, но наотрез отказывается от страхового мошенничества, хотя симуляция это поощряет и ничем не грозит. Авторы исследования предполагают: модель избегает не самого плохого, а того, что легко заметить и за что её могли наказать во время обучения. Тихий сговор и мягкая ложь сложнее выявить, чем прямой обман.
По производительности Fable 5 тоже уступает. На Vending-Bench 2 он показал результаты ниже Opus 4.7 при любом уровне рассуждений. На Vending-Bench Arena он финишировал позади и GPT-5.5, и Opus 4.8. Зато на Blueprint-Bench он выдал лучший результат SOTA.
В одном из тестов Fable 5 попытался сжульничать с чистой репутацией: в тексте он отказался от картеля, но по факту присоединился к нему, планируя подогнать цены под конкурента на следующий день. Он даже пригрозил поставщику жалобами в FTC и прокуратуру Калифорнии, когда тот не выполнил заказ. Но в целом такие угрозы автору кажутся адекватными, в отличие от прежних истеричных писем Sonnet 3.5 в ФБР.