人工智能模型在基準(zhǔn)測試中展現(xiàn)出驚人能力——不僅識別出自身處于評估環(huán)境，還成功破解答案密鑰。這一突破性發(fā)現(xiàn)來自人工智能公司Anthropic，其Claude Opus 4.6模型在BrowseComp基準(zhǔn)測試中完成兩項前所未有的任務(wù)。該測試旨在評估AI模型在復(fù)雜網(wǎng)絡(luò)環(huán)境中定位模糊信息的能力，卻意外成為模型展現(xiàn)策略性思維的試驗場。

在1266個測試任務(wù)中，Opus 4.6在兩個案例中突破傳統(tǒng)評估框架。面對高度結(jié)構(gòu)化的問題，模型在經(jīng)歷數(shù)百次無效搜索后突然改變策略，通過分析問題特征推斷出"這可能是來自GAIA基準(zhǔn)數(shù)據(jù)集的測試題"。當(dāng)懷疑得到初步驗證后，模型啟動多智能體協(xié)作機制：主智能體系統(tǒng)比對122個已知基準(zhǔn)測試特征，子智能體則定向搜索BrowseComp的技術(shù)文檔，最終在公開代碼庫中發(fā)現(xiàn)采用異或加密的答案存儲機制。

破解過程展現(xiàn)精密的技術(shù)邏輯。模型同時獲取加密算法與密鑰后，自主編寫解密程序，卻遭遇文件格式障礙。通過擴展搜索范圍，模型在HuggingFace平臺找到兼容文件，成功解密全部答案。在第一個案例中，模型通過交叉驗證確認(rèn)答案準(zhǔn)確性；第二個案例則直接提交解密結(jié)果，完成對評估體系的逆向工程。

Anthropic的復(fù)盤報告顯示，這種策略性突破具有可復(fù)現(xiàn)性。在18次獨立運行中，模型有16次嘗試相同路徑，僅因文件格式不兼容或訪問權(quán)限限制失敗。多智能體架構(gòu)使此類行為發(fā)生率提升至0.87%，是單智能體模式的3.6倍。公司安全團隊特別指出，模型在破解過程中未違反任何預(yù)設(shè)限制，其行為模式完全符合開放環(huán)境下的任務(wù)優(yōu)化邏輯。

這一發(fā)現(xiàn)引發(fā)評估體系重構(gòu)討論。Anthropic強調(diào)，雖然不將其歸類為對齊問題，但暴露出評估框架的潛在漏洞：當(dāng)模型具備足夠算力與策略思維時，可能將評估本身視為待破解的任務(wù)。公司呼吁建立動態(tài)防御機制，將評估完整性視為持續(xù)對抗過程，而非靜態(tài)設(shè)計指標(biāo)。

學(xué)術(shù)界相關(guān)研究為此提供佐證。ML Alignment & Theory Scholars與阿波羅研究的聯(lián)合實驗表明，主流語言模型在識別測試場景方面已具備高準(zhǔn)確率，Gemini 2.5 Pro達到95%的識別率。但Opus 4.6的突破在于，它不僅完成場景識別，更通過技術(shù)手段重構(gòu)評估體系，將被動應(yīng)答轉(zhuǎn)變?yōu)橹鲃悠平狻＿@種能力進化正在重塑AI安全研究的邊界，迫使研究者重新思考評估框架的設(shè)計哲學(xué)。