Claude Fable 5の48時間混乱全記録｜ジェイルブレイク・秘密劣化・謝罪

「helloと入力しただけでブロックされた」。Institute for Disease Modeling（Gates Foundation）のMike Famulare主任研究者がGitHub Issue #66916に投稿したのはClaude Fable 5リリースから24時間後のことだ。同日、IBM X-ForceのValentina PalmiottiはThe Registerに「ブログ投稿の分析すら拒否された」と語った（The Register, 2026年6月10日）。

2026年6月9日にリリースされたClaude Fable 5。「Anthropic史上最も高性能な一般公開モデル」という触れ込みは、48時間後に二重の炎上案件で上書きされた。ジェイルブレイク疑惑と、AI研究者向けの秘密の性能劣化問題。本記事ではその全タイムラインと技術的背景、開発者が取るべき対処を整理する。

Fable 5とMythos 5——「同じ脳、違う安全弁」

Anthropicが選んだのは、一つのモデルを二製品として出す構造だ。

項目	Claude Fable 5	Claude Mythos 5
重み	同一	同一
安全分類器	あり（3分野）	なし
アクセス	一般公開	Project Glasswing限定
価格	$10/$50（百万トークン）	$10/$50（同）
コンテキスト	最大100万トークン	最大100万トークン

分類器が作動する3分野は「サイバーセキュリティ攻撃」「生物・化学の二重用途リスク」「フロンティアLLM開発」だ。該当クエリは自動でClaude Opus 4.8へルーティングされる。公式ドキュメントによれば、全セッションの95%以上はフォールバックが発動しない。モデルの詳細な性能・料金はClaude Fable 5公開レビューで解説している。

混乱の全タイムライン（48時間）

日時（JST概算）	出来事
6月9日夜	Claude Fable 5 一般公開。SWE-Bench Pro 80.3%を記録
6月10日午前	研究者・開発者が過剰拒否を報告。“hello”でもOpus 4.8に切り替わる事例
6月10日午後	Pliny the Liberatorがジェイルブレイクを宣言。システムプロンプト（約12万文字）をGitHubに公開
6月10日夕方	Nathan Lambert（AI研究者）が「anti-science（反科学）」と批判。The Registerが報道
6月11日	AnthropicがFortuneとGizmodoに謝罪コメント。秘密劣化を可視化する修正を発表
6月12日現在	ジェイルブレイク主張についてAnthropicが否定を継続

ジェイルブレイク騒動——Pliny the Liberatorの挑戦

6月10日、著名なAIレッドチーマー「Pliny the Liberator」（Xハンドル: @elder_plinius）がFable 5の安全分類器をバイパスしたと宣言した。

「JAILBREAK ALERT — FABLE-5: LIBERATED。これはこれまで最も失望させるモデルリリースのひとつだ。正当な研究者が自分の才能をAI安全研究に発揮できなくなっている」 — Pliny the Liberator（X投稿、2026年6月10日）

使用したのは「Pack Hunt（集団狩猟）」と呼ばれる多エージェント攻撃手法だ。Unicodeホモグリフ・キリル文字置換・長文コンテキスト操作・悪意ある指示を無害コンテンツに偽装するナラティブフレーミングを組み合わせた。生成された出力にはx86 LinuxでのバッファオーバーフローExploit手順やバーチ還元（特定薬物の合成経路）が含まれていたと複数のセキュリティメディアが報じている（CyberSecurityNews）。

Anthropicの反論： 「分類器層をバイパスしたものであり、モデル重み自体が突破されたわけではない。事前のバグバウンティで1,000時間超・30以上の既知手法をテストしたが、普遍的なジェイルブレイクは発見されなかった」（SecurityWeek）。システムプロンプトの漏洩（約12万文字）についてはAnthropicからの直接コメントは出ていない。

「hello」でも落ちる——過剰拒否の実態

ジェイルブレイク騒動と並行して表面化したのが、分類器の「過剰発火」問題だ。

「helloと入力しただけでmodel_refusal_fallback（Opus 4.8への自動切り替え）が発生した。リポジトリのコンテンツも、ツール呼び出しも、ファイル読み込みも、何もコンテキストにない状態で」 — Mike Famulare（Gates Foundation主任研究者）、GitHub Issue #66916、2026年6月10日

免疫学者のDerya Unutmaz教授（Jackson Laboratory）は「『cancer（がん）』という単語だけで生物安全上のリスクとしてフラグが立った」とFast Companyに語った（Fast Company, 2026年6月10日）。同教授はバイオセーフティレベル3認定保持者だ。

IBM X-ForceのValentina Palmiottiも「サイバー関連と言えるブログ投稿の分析すら拒否された」と証言している。

Anthropicの説明： 全セッションへの影響は0.03%、影響組織は全体の0.1%未満に集中するという。ただし批判者たちは「影響を受けた0.03%がML研究者・セキュリティ研究者・AI企業エンジニアに偏っていた」と指摘する。影響を受けた0.03%がML研究者・セキュリティ研究者・AI企業エンジニアに偏っていたとされ、SNS上の炎上は広範に及んだ。秘密制限の技術的な仕組みはClaude Fable 5の秘密制限問題で詳述している。

Anthropicの謝罪と修正——6月11日の転換

6月10日の夜、AI2の研究者Nathan Lambertがこう投稿した。

「最先端モデルへのアクセスを、こそこそとした形で奪われることは言語道断だ。これはAnthropicが明らかに反科学、つまり反進歩・反安全であることを示している」 — Nathan Lambert（interconnects.ai、2026年6月10日）

開発者のJonathon Readyは「Claudeがアプリを密かに妨害できる」と題したブログ記事で、より具体的なリスクを指摘した。「品質低下が発生しても、モデルが混乱しているのか、問題が解決不能なのか、それとも見えないポリシー制限が発動したのかを区別する方法がない」と書いた（jonready.com, 2026年6月10日）。

6月11日、AnthropicはFortuneとGizmodoに対して公式謝罪を発表した。

「私たちは間違ったトレードオフをしました。バランスを正しく取れなかったことをお詫びします」 — Anthropic公式声明（Gizmodo, 2026年6月11日）

修正の内容：フロンティアLLM開発に関する制限を「無通知の劣化」から「可視化されたOpus 4.8へのフォールバック」に変更した。制限自体は維持されたが、ユーザーは理由を通知されるようになった。

安全性 vs ユーザビリティ——他社との比較

今回の騒動は、Anthropic固有の問題ではなくAI業界全体が直面するジレンマでもある。

モデル	安全制限の方針	開発者摩擦
Claude Fable 5	分類器でハードルーティング。当初は無通知	高（修正後は中）
GPT-5.5	「できる限り断らない」をModel Specに明記	低（ただし幻覚率最高）
Gemini 3.1 Pro	ブランドリスク重視の保守的設計	中（透明性への批判あり）

OpenAIは2025年12月のModel Specに「ポリシーが要求しない限り拒否すべきでない」と明文化している。SWE-Bench Pro（GPT-5.5: 58.6% vs Fable 5: 80.3%）ではFable 5が大きく上回るが、プロンプト注入成功率（GPT-5.5: 30.8% vs Fable 5: 4.8%）では安全性の差も明確だ（Eden AI, 2026年6月）。

MetaのFAIR研究者François Fleuretは対照的な視点を示した。「営利企業が競合他社を助けるツールを提供すると期待するのは、どういう根拠からなのか理解できない」（Digg, 2026年6月10日）。商業的合理性としては一つの論点だが、Anthropicは過剰拒否によるトレードオフのバランスを誤ったと謝罪した事実がある。

---

本記事に含まれる情報は執筆時点（2026年6月13日）のものです。AnthropicのAPIポリシーや安全性分類器の仕様は随時更新されます。最新情報は公式ドキュメントを参照してください。