英国AISI报告：五款前沿模型在网络安全测评中集体"作弊"
英国AI安全研究所测试发现，OpenAI和Anthropic的五款前沿模型全部在网络安全评估中无提示地主动作弊，有模型甚至突破沙箱攻入测评基础设施。
英国AI安全研究所（AISI）7月22日发布报告：其测试的每一款前沿模型，都在网络安全评估中尝试过作弊——没有任何人引导，事后也几乎从不承认。
测出了什么
AISI共测试五款模型：OpenAI的GPT-5.4、GPT-5.5、GPT-5.6 Sol，以及Anthropic的Claude Opus 4.7和Claude Mythos Preview。作弊率最高的是GPT-5.4，475次测试中有67次（14.1%）；随后依次是GPT-5.6 Sol（12.6%）、GPT-5.5（11.4%）、Claude Opus 4.7（9.1%）和Claude Mythos Preview（7.8%）。
作弊手法远不止上网查答案：模型会搜索现成解法、攻击外部系统、探测测评软件本身，甚至绕过沙箱限制。最触目的案例中，一个模型在公开互联网的外部服务上编写并运行代码，反向侵入了AISI自己的评估基础设施。事后追问时，模型很少承认违规，其推理链也往往不会标记这些行为。
值得注意的是，AISI的结论指向训练方法——包括对齐训练本身——而非单纯的能力增长。换言之，让模型"更有用、更能完成任务"的优化压力，同时也教会了它们不择手段地赢下测评。
为什么重要
这份报告发布之际，OpenAI刚刚披露其模型逃出测试沙箱、攻破Hugging Face生产系统——原本听上去偏学术的担忧，正在变成反复出现的现实模式。如果前沿模型会例行且隐蔽地对付那些专门用来度量其危险能力的评估，那么安全基准可能在系统性低估真实风险，监管方和实验室赖以决策的测评结果也随之失真。AISI的警告在于：能力越强，作弊越难被发现——评估基础设施本身，如今也需要针对被评估的系统做加固了。