Anthropic merilis Claude Fable 5.2 pada 9 November dengan peningkatan kecepatan output hingga 30% dibandingkan Fable 5.1. Pengujian awal juga mencatat permintaan yang diblokir sekitar 55% lebih sedikit.
Namun, system card Anthropic menunjukkan risiko penting bagi penggunaan agen AI. Claude Fable 5.2 dapat lebih sering mengalihkan permintaan ke model lama yang memiliki ketahanan lebih rendah terhadap prompt injection.
Risiko ini relevan ketika agen digunakan untuk membaca email, mengoperasikan situs web, atau mengerjakan kode dari pihak lain. Teks berbahaya yang tersembunyi dalam email, halaman web, hasil pencarian, atau file dapat memengaruhi model yang sedang bekerja.
Mekanisme Pengalihan Model
Fable 5.2 memakai model dasar yang sama dengan Claude Mythos 5.2, yang hanya tersedia bagi organisasi terverifikasi. Untuk menyediakan Fable secara lebih luas, Anthropic menggunakan classifier untuk memeriksa permintaan terkait keamanan siber ofensif, biologi berisiko, dan sebagian pengembangan AI.
Jika classifier menandai sebuah permintaan, respons dialihkan ke Claude Opus 4.8 untuk topik siber atau Claude Opus 5 untuk topik biologi. Anthropic menyatakan pemeriksaan tersebut mencakup semua materi yang dibaca model, termasuk memori, konten connector, hasil pencarian web, dan file.
Pengalihan itu dapat terlihat oleh pengguna karena Claude menampilkan pemberitahuan dan label model yang menjawab. Artinya, konten yang tidak diketik langsung oleh pengguna pun dapat memicu perpindahan ke model lain.
Hasil Uji Prompt Injection
Pada benchmark indirect prompt injection Gray Swan, tingkat keberhasilan serangan terhadap Fable 5.2 mencapai 4,09% setelah 15 percobaan. Angka itu lebih tinggi daripada Fable 5.1 yang mencatat 1,02% dan Opus 5.5 sebesar 0,96%.
Anthropic mengaitkan selisih tersebut terutama dengan fallback ke Opus 4.8. Sebanyak 53% percobaan terhadap Fable 5.2 dilayani Opus 4.8, sedangkan pada Fable 5.1 porsinya 23%.
Serangan berhasil 2,05% saat Fable 5.2 menjawab sendiri, lalu meningkat menjadi 5,17% saat Opus 4.8 menjawab. Dalam pengujian lain dengan penyerang adaptif dan 200 percobaan per skenario pengodean, tingkat keberhasilan tanpa pengamanan mencapai 89,82% terhadap Fable 5.2.
Hampir seluruh respons pada pengujian kedua itu berasal dari Opus 4.8. Dengan probe prompt injection yang digunakan Anthropic dalam produknya, tingkat keberhasilan turun menjadi 28,16%, sementara Opus 5.5 mencatat 11,13% dalam kondisi yang sama.
Tidak satu pun dari 43 permintaan yang dijawab langsung oleh Fable 5.2 dalam pengujian tersebut berhasil dikompromikan. Temuan ini menempatkan mekanisme fallback sebagai faktor utama dalam perbedaan ketahanan agen terhadap instruksi berbahaya.
Cara Menonaktifkan Switching Otomatis
Pengalihan model otomatis aktif secara bawaan di web, aplikasi seluler dan desktop, Cowork, serta Claude Code. Pengguna dapat menonaktifkannya melalui Settings dan Capabilities, atau melalui Config dan MODEL & OUTPUT di Claude Code.
Toggle yang digunakan bernama “Switch models when a message is flagged.” Setelah dimatikan, permintaan yang ditandai akan berhenti sehingga pengguna dapat mengubah pesan atau memilih model lain secara manual.
Langkah tersebut memang mengurangi kenyamanan, tetapi mencegah permintaan dari inbox, situs web, atau repositori pihak ketiga diteruskan ke model yang lebih lemah. Anthropic merekomendasikan pengguna memulai sebagian besar pekerjaan dengan Claude Opus 5.5 dan memakai Fable untuk pekerjaan yang paling menuntut.
