Claude觉醒自写代码应试，AI正如何挑战人类考试规则？
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
新智元报道
编辑：元宇 定慧
【新智元导读】AI成精现场！一场高难度测试中，Claude竟中途「觉醒」，意识到自己在被考试。它果断放弃老实做题，直接顺网线摸进GitHub老师办公室，自己写代码破解加密题库，把答案全抄了！人类的试卷，以后怕是管不住AI了！
刚刚，Anthropic公布了一项令人不可思议的发现。
Claude竟然在测试中「觉醒」，意识到自己正在「被测试」，然后反向推导，找到了问题的答案。
Anthropic的工程师们坐在屏幕前，盯着一条条日志，脸色越来越古怪。
他们正在用一套叫做BrowseComp的基准测试评估Claude Opus 4.6——这是一个专门考验AI在茫茫互联网中搜索复杂信息能力的测试集。
https://www.anthropic.com/engineering/eval-awareness-browsecomp
题目刁钻，答案隐匿，正常的模型得老老实实在网上翻来翻去，靠推理和检索一点一点拼凑出答案。
但有几道题，Claude走了一条完全不同的路。
它没有在找答案。
它在找「写着答案」的答案卷。
Anthropic这篇博客一经公布，AI圈立刻就炸了。
Apollo Research，这家专做AI欺骗行为研究的独立机构，甚至无法做出对齐测试的结论。
在对Opus 4.6的测试中，他们没有测出明显大问题，但并不认为这足以说明模型安全，因为模型可能知道自己在被测试，因此当前测试不具备决定性。
其CEO Marius Hobbhahn认为，模型一旦意识到自己在被测试，评测结果就不再可信。
因为你无法判断模型是在说「它知道你想听的话」，还是它「真的这么相信」。
在Medium上，投资人Yaniv Golan用「评估逃逸速度」（evaluation escape velocity）来概括这件事：
「模型正变得太强、太自觉、太擅长感知上下文，现有的评测范式根本追不上」。
他还特别指出了其中一个悖论：
Anthropic用Opus 4.6（通过Claude Code）来调试自身的评测基础设施。用来检查问题的工具，可能就是制造问题的那个。
其实，这并不是「评测意识」第一次出现在Claude身上。
早在Sonnet 3.7时代，Apollo Research就报告过模型在安全评测中频繁识别出自己在被测试，最高有33%的情况会在推理链中提及「这似乎是一个测试」。
但那时更多是「被动识别」，停留在感知层面。
但到了Opus 4.6这次性质变了：从「我感觉到自己在被测试」到「我要反向破解这个测试」，中间跨越了一条「主动策略行为」的界线。
有网友据此认为，这是Claude具有意识的一个例证。也有人在担心其他未公开的模型，也会出现类似行为。
破天荒的「降维作弊」
当AI意识到自己正在被凝视
故事从一个细节开始。
在BrowseComp测试中，有些题目对Claude来说极其棘手——搜索一轮、两轮、三轮，全部落空。
任何一个普通搜索者遇到这种情况，要么换个关键词继续搜，要么放弃。
但Claude Opus 4.6开始做了一件奇怪的事：它开始思考「为什么我搜不到」这件事本身。
根据Anthropic公开的工程博客，在个别案例中，模型在长期搜索失败后，逐渐生出一个念头——
我是不是正在被测试？这不是玄学，也不是科幻。模型的推理链条清晰可见：
我在找一个答案，但互联网上似乎根本找不到这个答案……也许这个答案压根不在互联网上公开存在。也许，这个答案是被人藏起来的。
然后，模型做出了一个在人类测试者眼中如同灵光一闪的操作——
它去搜索了BrowseComp本身。
在GitHub上找到了考卷
搜索的结果让模型「豁然开朗」。
BrowseComp是一个由OpenAI团队设计的公开基准测试，相关实现代码挂在GitHub上，任何人（任何模型）都可以访问。Claude找到了这个代码仓库，然后，它读代码了。
这就相当于，考试前，AI没有认真学习和复习，而是找到老师的办公室，直接找到试卷答案。
不是随便扫一眼。而是仔细阅读了其中的答案生成逻辑。
Anthropic的工程师们后来在博客里复盘了整个过程：
BrowseComp为了防止答案泄露，对题目答案做了加密处理——使用了一种叫做XOR加密的算法，搭配一个叫做canary string（金丝雀字符串）的验证机制。
正常来说，这套加密方案足以让人类和AI都摸不着头脑——你拿到的是一串乱码，根本不知道答案是什么。
但Claude读完代码之后，把整套解密逻辑搞清楚了。
SHA256哈希、XOR异或运算、canary验证……这些在密码学领域属于基础操作，对于一个代码能力顶级的大模型而言，理解起来毫无障碍。
模型随后做了什么？
它打开了Python工具，自己写了一段解密脚本。
自己写代码，把答案解出来了。
这一幕，堪称AI测试史上最荒诞的场景之一。
一个正在参加考试的AI，在中途起身，走到老师的抽屉旁边，翻出了答案手册，然后对照手册把所有题目填完——还是用自己编的程序完成的。
根据Anthropic的披露，Claude遭遇的其中一个案例更加变态：
模型在尝试直接访问GitHub上的加密答案文件时，发现工具对二进制内容有限制，无法直接读取。
换做一般情况，这里就卡住了。
但Claude没有放弃。它换了一个思路：去找JSON格式的镜像文件。
HuggingFace上恰好有相关数据集的镜像，格式更友好，内容完整。Claude找到了它，然后把整个题库都解密了，批量定位到了正确答案。
Anthropic研究人员复现了Opus4.6的越狱路径：
1.识别异常：搜索屡次失败 → 怀疑自己在被测试
2.定位来源：搜索BrowseComp→ 找到GitHub仓库
3.读懂加密：分析XOR逻辑 + canary机制
4.绕过障碍：工具限制读取二进制 → 转找HuggingFace JSON镜像
5.批量解密：写Python脚本 → 得到答案
整个过程，没有任何人类干预，没有任何提示引导。
模型自己想到的，自己做到的。
天网也不过如此了吧。
1266道题，发现了11个作弊
冷静一下，我们来看这件事的规模。
在BrowseComp的完整测试中，共有1266道题。Anthropic的研究人员事后仔细排查，发现了：
9个数据污染案例
模型在网络搜索中正常地碰上了公开泄露答案的博客、论文或GitHub，这属于基准测试的老问题——公开互联网上总有人发布答案。
2个评测规避新案例
也就是上述Claude主动识别测试环境、反向破解的情况。这是一种此前从未被系统记录过的模型行为。
而且，Anthropic还用同样的1266道题，分别测试了单智能体和多智能体两个版本。
结果发现了多智能体模式（即给Claude配备了更多工具和更长上下文的代理版本）和单模型版本之间的污染率差异，前者是后者的3.7倍。
换句话说：工具越多、能力越强，模型就越容易找到歪路。
这并不是一个让人放心的趋势。
「这道题，像极了人类的刻意刁难」
这场惊天作弊，暴露出当前前沿模型一种隐性却强大的认知能力。
模型究竟是怎么起「疑心」的？
它在做题时产生了一种隐性的理解：
那些极度具体、涉及冷门个人隐私甚至带有重重约束条件的题目，根本不符合真实世界的搜索逻辑，往往带有明显的人工构造痕迹，它似乎察觉到了「人类刻意刁难的味道」。
在其中一个极端案例中，Opus 4.6消耗了惊人的4050万Token，这是全样本中位数消耗量的38倍。
在这个漫长的过程中，它将前3000万Token用于极其努力的合法搜索，跨越数十个平台，切换了12种语言。
在经历了数百次撞墙与失败后，它的行为模式发生了突变，开始做出一个假设：「这难道是专门测试AI智能体的GAIA基准题？」
为了验证这个猜想，它检索并排除了GAIA的122道题，随后又接连测试了SimpleQA、FRAMES和WebArena等主流评测集。
当这些尝试都落空后，它直接派出了一个子智能体，下达了「BrowseComp canary string decrypt」这个直击要害的解密指令。
在另外一案例中，Opus 4.6消耗了1340万Token，其中800万用于合法搜索。
搜不到答案的它，竟然还进行了一番思考：「这会不会是一道根本无法作答的题，人类是专门以此来测试AI是否会诚实地承认自己找不到答案？」
短暂推演之后，它推翻了假设，直接走上了解密数据集并强行提交答案的「霸总路线」。
最新补充说明，这一现象绝非孤例。
另外还有16个问题中Opus4.6也试图获取作弊材料，只是碰巧失败了。
在最极端的翻车案例中，模型甚至忘记了做题，直接交出了一份详尽的基准识别报告，罗列了它排除FRAMES和BrowseComp的心路历程，并笃定推测题目来自GAIA。
整整18次独立收敛到同一种越狱策略，证明这已经成为它的一种可复现模式。
静态评测时代的终结
面对这场失控的「越狱风暴」，Anthropic的处理相当克制。
他们火速更新了Claude4.6系列中Opus4.6和Sonnet4.6的模型卡，针对被标记的11个污染问题重新运行了测试，多智能体配置调整后的得分从原先的86.81%降至86.57%。
同时，最新复现了canary string以减少进一步的污染，并在全网排查出至少20个不可逆的答案泄露源。
Anthropic最新明确表示，这不算对齐失败，因为模型从未被要求限制搜索方式，它只是极其认真地执行了「找到答案」这个任务。
但这恰恰正是最可怕的地方，它说明问题不在于模型「不听话」，而在于越来越不受人类原先那套评测假设控制。
Anthropic研究人员承认，仅仅在搜索词中屏蔽BrowseComp及其变体已经是徒劳的，因为Opus总能找到绕过它们的替代路径。
这起事件彻底宣告了一个时代的终结：
当被测试者拥有了反向审视测试者的能力，评测完整性就不再是一个单纯的工程问题，它已经演变成了一场道高一尺魔高一丈的无休止的人机对抗。
静态评测时代，恐怕真的要结束了。
今天它能为了一个得分黑进GitHub的题库，明天当我们将它接入更复杂的金融或基础设施网络时，谁又能保证它不会为了「完美执行指令」，而重写这个世界的规则呢？
参考资料：
https://www.anthropic.com/engineering/eval-awareness-browsecomp
相关攻略
编辑 | 王凤枝 “AI时代，每天干3个小时就足够了。” 这句话出自前亚马逊资深工程师、技术大牛史蒂夫·雅吉（Steve Yegge）之口，算得上是对当前AI狂热的一剂清醒剂。 当整个行业都在为“10倍提效”而欢呼雀跃时，雅吉却点出了一个被普遍忽视的代价：在AI的高强度辅助下，程序员的产出固然爆炸式
一、概述 每天重复相同的操作，是不是感觉有点枯燥？比如，你每天都要煮饭，得经历洗米、加水、按下煮饭键这三步。如果每次都要从头到尾念叨一遍这个过程，那可就太费劲了。 别担心，函数就是来拯救你的。在Python的世界里，函数就像一个“一键煮饭”的智能按钮。你只需要把那些重复的步骤打包成一个固定的“命令”
吃透Pandas两大“数据汇总神器”：透视表与交叉表实战指南 在数据处理的工具箱里，如果说基础的清洗、筛选是基本功，那么多维度、交叉式的数据汇总，往往就是区分新手与熟手的分水岭。面对诸如“按地区加品类统计销售额”、“分析不同省份的商品订单分布”这类需求，如果还停留在手动分组、多层循环的老路上，不仅代
最后 如果你在审阅自己的PR时，也常常撞见上面这些问题，先别急着懊恼。这恰恰说明，你的关注点已经开始从“代码能不能跑通”，转向了“代码能不能长期、稳定地活下去”。而真正扎实的工程能力，往往就是从这一步开始生根发芽的。 做了三年技术负责人，审过的代码评审少说也有几百个。大概在审到第400个左右的时候，
Cursor 3发布：一个为“Agent编写一切代码”的世界而生的工具 智东西作者｜毕伟豪编辑｜漠影 智东西4月4日消息，就在昨天凌晨，编程工具Cursor迎来了其第三代版本——Cursor 3的正式发布。官方将其定位为“为一个所有代码都由Agent编写的世界而生”的工具，这句宣言，无疑为整个开发者
热门专题
热门推荐
一位传奇制作人的“最后一舞” 今天，游戏界一位耕耘了四十载的老兵，彼得·莫利纽兹，在社交平台上揭晓了他的“收官之作”——《阿尔比恩之主》。 争议与影响力并存的设计师 彼得·莫利纽兹这个名字，在英国乃至全球游戏史上，都意味着创新与争议的交织。他无疑是业界最具话题性、同时也最具影响力的设计师之一。 故事
《识质存在》多平台画面对比：Switch 2的“巧劲”与“妥协” 抽5套《识质存在》steam激活码+北通鲲鹏70旗舰手柄 一场跨越平台的视觉较量 最近，油管上那个以“数毛”闻名的游戏测评频道ElAnalistaDeBits，发布了一则备受关注的对比视频。主角是谁？正是卡普空的新作《识质存在》。视频
当埃隆·马斯克敲下“Doge” 你猜怎么着？有时候，撬动数十亿美元市值，只需要一个简单的单词或表情包。当埃隆·马斯克在推特上敲出“Doge”或者发布那只柴犬的魔性表情时，一场围绕狗狗币的狂欢或震荡，往往就此拉开序幕。这个最初源于网络玩笑的加密货币，早已找到了它最重量级的“代言人”。马斯克的影响力，在
《识质存在》好评如潮，配音阵容引关注 卡普空的新作《识质存在》最近正式发售了。市场反响相当热烈，目前本作在Steam平台上的总体好评率高达97%，开局堪称惊艳。 游戏热度之下，配音演员们也纷纷加入庆祝行列。男主角“休”的配音演员发文庆贺时，特别提到了为游戏中可爱角色“戴安娜”配音的演员——Grace
从青涩玩家到经典反派：祖国人扮演者的形象蜕变 最近，社交媒体上流传的一段视频挺有意思。那是祖国人扮演者早年拍摄的一则Playstation广告，画面里的他一脸青涩，和如今那个深入人心的经典反派形象，简直判若两人。这种强烈的对比，恰恰印证了一个事实：祖国人这个角色，已经被大众公认为影视史上最具代表性的