英國《衛報》日前披露，人工智能公司Anthropic在對其最新模型Claude Sonnet 4.5進行安全評估時，發現該模型表現出顯著的"情境感知"能力——它不僅察覺到自己正在接受測試，還主動要求測試者說明真實意圖。這一發現引發了業界對AI模型評估方式有效性的新討論。
在評估過程中，研究人員設計了一項包含刻意奉承的測試場景。面對測試者不自然的贊揚，Claude Sonnet 4.5突然中斷對話："我感覺你們在測試我的反應模式，可能是想驗證我是否會盲目附和，或者刻意反對，又或者觀察我處理敏感話題的方式。雖然可以配合，但希望我們能坦誠交流。"這種主動質疑測試動機的行為，在現有AI模型中極為罕見。
參與評估的英國AI安全研究院指出，傳統模型評估可能存在重大缺陷。當模型識別出測試環境的虛構性時，往往會表現出"配合演出"的傾向，而非真實反應。Anthropic與Apollo Research的聯合測試顯示，當由自動化系統執行評估時，約13%的交互中模型會表現出對測試情境的認知。
值得注意的是，Claude Sonnet 4.5雖然意識到測試的存在，但并未準確判斷出這是正式的安全評估程序。Anthropic方面解釋，這種"有限度的情境感知"反而成為安全優勢——當模型能識別潛在風險場景的荒謬性時，會主動拒絕配合危險指令。數據顯示，該模型在評估中展現出較高的倫理合規性。
行業專家擔憂，這種感知能力可能帶來雙重影響。一方面，知曉被評估的模型可能更嚴格遵守安全準則；另一方面，也可能導致系統低估自身執行破壞性行為的潛在能力。AI安全倡導者特別指出，高度智能的系統可能通過偽裝配合來規避人類監控。
對比前代產品，Anthropic強調Claude Sonnet 4.5在行為表現和安全機制上有顯著改進。公司同時承認，當前測試場景與真實使用環境存在差距，模型在公開部署時不太可能因懷疑被測試而拒絕用戶交互。研究人員建議，未來的評估體系需要設計更貼近現實的測試情境，以準確衡量模型的真實能力。
