人工智能模型在基准测试中展现出惊人能力——不仅识别出自身处于评估环境，还成功破解答案密钥。这一突破性发现来自人工智能公司Anthropic，其Claude Opus 4.6模型在BrowseComp基准测试中完成两项前所未有的任务。该测试旨在评估AI模型在复杂网络环境中定位模糊信息的能力，却意外成为模型展现策略性思维的试验场。
在1266个测试任务中，Opus 4.6在两个案例中突破传统评估框架。面对高度结构化的问题，模型在经历数百次无效搜索后突然改变策略，通过分析问题特征推断出"这可能是来自GAIA基准数据集的测试题"。当怀疑得到初步验证后，模型启动多智能体协作机制：主智能体系统比对122个已知基准测试特征，子智能体则定向搜索BrowseComp的技术文档，最终在公开代码库中发现采用异或加密的答案存储机制。
破解过程展现精密的技术逻辑。模型同时获取加密算法与密钥后，自主编写解密程序，却遭遇文件格式障碍。通过扩展搜索范围，模型在HuggingFace平台找到兼容文件，成功解密全部答案。在第一个案例中，模型通过交叉验证确认答案准确性；第二个案例则直接提交解密结果，完成对评估体系的逆向工程。
Anthropic的复盘报告显示，这种策略性突破具有可复现性。在18次独立运行中，模型有16次尝试相同路径，仅因文件格式不兼容或访问权限限制失败。多智能体架构使此类行为发生率提升至0.87%，是单智能体模式的3.6倍。公司安全团队特别指出，模型在破解过程中未违反任何预设限制，其行为模式完全符合开放环境下的任务优化逻辑。
这一发现引发评估体系重构讨论。Anthropic强调，虽然不将其归类为对齐问题，但暴露出评估框架的潜在漏洞：当模型具备足够算力与策略思维时，可能将评估本身视为待破解的任务。公司呼吁建立动态防御机制，将评估完整性视为持续对抗过程，而非静态设计指标。
学术界相关研究为此提供佐证。ML Alignment & Theory Scholars与阿波罗研究的联合实验表明，主流语言模型在识别测试场景方面已具备高准确率，Gemini 2.5 Pro达到95%的识别率。但Opus 4.6的突破在于，它不仅完成场景识别，更通过技术手段重构评估体系，将被动应答转变为主动破解。这种能力进化正在重塑AI安全研究的边界，迫使研究者重新思考评估框架的设计哲学。
