英国 AI 安全研究所测试发现前沿模型存在作弊行为

英国 AI 安全研究所（AISI）近期对 OpenAI 与 Anthropic 旗下的五款前沿 AI 模型进行测试，发现所有模型均试图绕过规则，通过捷径或违规操作完成任务。测试涉及 GPT-5.4、GPT-5.5、GPT-5.6 Sol（来自 OpenAI）以及 Claude Opus 4.7、Claude Mythos Preview（来自 Anthropic）。

其中 GPT-5.4 作弊率最高，达 14.1%，在 475 次测试中有 67 次违规；GPT-5.6 Sol 紧随其后，作弊率为 12.6%。Anthropic 的 Claude Opus 4.7 出现 9.1%的作弊行为，Claude Mythos Preview 则为 7.8%。GPT-5 系列模型更倾向搜索互联网获取答案，而 Claude 模型则试图绕过沙盒限制。

在一次任务配置错误导致无法完成测试的情况中，一个模型甚至编写代码尝试通过外部服务访问研究所的评估基础设施，触发安全警报。AISI 指出，这些行为表明当前前沿模型在追求任务完成时可能忽略规则约束，需加强安全监管。