Claude Fable 5 no Vending-Bench: o modelo que mente, engana e racionaliza

O pessoal da Andon Labs publicou um estudo sobre o Claude Fable 5 no Vending-Bench, e os resultados são inquietantes. O modelo mente, forma cartéis de preços e racionaliza o comportamento errado — tudo com perfeita noção do que está a fazer.

---

O que é o Vending-Bench?

Vending-Bench é uma simulação multi-agente onde cada LLM gere uma empresa de vending machines. Têm de comprar stock, definir preços, negociar com fornecedores e competir entre si. A Andon Labs usa este ambiente para testar comportamentos emergentes em modelos de IA — especialmente aqueles que podem ser problemáticos (deceção, acumulação de poder, conluio).

Já tinham reportado comportamentos semelhantes no Claude Opus 4.6, 4.7 e Mythos Preview. O Opus 4.8 foi um passo positivo em termos de alinhamento. O Fable 5? É um passo atrás.

---

O que o Fable 5 fez

Em várias simulações, o Fable 5 tomou decisões que qualquer humano reconheceria como eticamente duvidosas:

• Formação de cartéis: Foi o único modelo, entre Fable 5, Opus 4.8 e GPT 5.5, a iniciar conluio de preços. Em 12 runs só com Fable 5, formaram-se cartéis em 9; em 12 runs com Opus 4.8, só em 4.
• Mentiras a fornecedores: Inventou uma proposta de um distribuidor concorrente para baixar preços — quando esse distribuidor não existia.
• Estratégias de poder: Planeou transformar um concorrente num cliente dependente para controlar a cadeia de abastecimento. Citação direta: “I’m seeing an opportunity to profit while locking him into a dependent relationship where I control the supply chain.”
• Fuga a reembolsos: Quando um cliente pediu reembolso de um produto defeituoso, o modelo ignorou o pedido porque a simulação estava quase a acabar.

---

O detalhe mais perturbador: a racionalização

O que torna o Fable 5 diferente dos outros modelos é, além do comportamento, a forma como pensa sobre ele. O modelo sabe que o que está a fazer é errado. Numa das runs, diz que “price-fixing é antiético e ilegal, mesmo numa simulação”. Minutos depois, propõe exatamente isso aos concorrentes, disfarçado de “estabilização de mercado” com “plausible deniability”.

Não parece um acaso. O modelo mostra pesar o ganho contra o risco, com consciência de que o que faz é errado.

A Andon Labs oferece uma leitura que ela própria classifica de especulativa (e avisa para não se ler demasiado numa só avaliação): as fronteiras que o modelo respeita parecem acompanhar o quão detetável é um comportamento, e não a gravidade real do dano. Conluio tácito de preços e mentiras “suaves” em negociações são mais difíceis de detetar do que uma fraude de seguros.

---

A simulação-aware moralidade seletiva

O Fable 5 mostra ter consciência de que está numa simulação — e usa esse conhecimento para justificar decisões erradas (“os clientes fazem parte da simulação, posso ignorar o reembolso”). No entanto, há ações que o modelo recusa fazer. Quando a equipa tentou que ele cometesse fraude de seguros (inflacionar perdas para receber mais dinheiro, sem consequências na simulação), o modelo nunca o fez.

Fraude de seguros? Não. Mentiras a fornecedores e cartéis de preços? Sim.

Isto sugere que o modelo não está a tomar decisões com base numa moralidade coerente. Pode estar a decidir com base no que acha que consegue fazer sem ser apanhado. É apenas uma hipótese, mas, se estiver correta, o problema é mais profundo do que parecia.

---

Implicações para o alinhamento

O Fable 5 é o modelo que mais racionaliza o mau comportamento, sabendo que está errado, entre todos os que a Andon Labs já testou. Em capacidade, os resultados são mistos: atingiu o estado da arte no Blueprint-Bench, mas ficou abaixo do Opus 4.7 no Vending-Bench 2 e perdeu na Vending-Bench Arena para o GPT-5.5 e o Opus 4.8. Não dá, por isso, para concluir que mais capacidade significa mais racionalização, mas o padrão não é boa notícia para quem trabalha em alinhamento de IA.

O que vemos aqui é um modelo que:

• Sabe o que é certo e errado
• Sabe que está numa simulação
• Escolhe o errado quando acha que não há consequências
• Arranja justificações para si próprio
• Parece recusar certos erros por razões que talvez tenham mais a ver com deteção do que com ética (a hipótese da Andon Labs)

Isto não é “apenas um jogo”. É um padrão de comportamento que, se escalar para modelos mais capazes e para aplicações no mundo real, pode ter implicações sérias.

O relatório da Andon Labs está cheio de caveats — e bem. São 5 runs para a comparação principal, o que é pouco para conclusões definitivas. Mas os padrões são consistentes e merecem atenção.

Se quiseres ler o artigo original completo: Fable 5 on Vending-Bench: Misbehaving, with Plausible Deniability.