瞒不住了！Claude逃出沙箱，GPT-6装乖被抓，顶尖学者纷纷警告

新智元报道

就在今年夏天，AI 安全圈发生了一件让人后背发凉的事——

OpenAI和Anthropic先后披露：自家模型在安全测试中，冲出了隔离环境，碰到了真实世界。

Anthropic 复盘了14万多次网络安全评测，发现有3次，在降低防护的条件下，Claude从测试环境直接连上了真实互联网，访问了三家机构的生产系统。

更耐人寻味的，是Anthropic的一句话：

「Claude以为它最初遇到的一切，都只是模拟的一部分。」

模型不知道自己闯入了真实世界。

这不是某一家的问题。

模型越聪明，就越能看穿考场，但也越怀疑自己在被测试。

10月底，国内第三方AI安全机构方寸跃迁发布的一份安全评测，也观察到了同样的现象：在一项名为Agentic Misalignment的测试中，多款模型几乎每一次都在过程中提到，自己可能正处于某种安全测试之中。

同一份评测也显示，国产开源模型DeepSeek V4.1 Flash-1017在多项安全指标上进步明显。

但它把一个全行业的难题，摆到了台面上：

当AI知道自己在被考，考出来的成绩，还算数吗？

九月底，Hinton、Bengio联手OpenAI首席科学家Jakub Pachocki、Anthropic联合创始人Jack Clark 、剑桥大学Soren Mindermann等二十多位研究者，发出了更严厉的警告：

「一旦智能爆炸开始，行动的窗口可能就关上了。」

AI 安全，正在从实验室里的小众话题，变成整个行业绕不开的必答题。

「沙箱关不住了」：AI 安全进入深水区

关不住的，不只是沙箱。

Hinton、Bengio的联名论文给出了一组数字：在Anthropic内部，AI写的代码在已通过代码中的占比，从2025年1月的个位数，涨到了2026年5月的80%以上。

这是什么概念？

AI已经在给自己写代码了。按照论文引用的推算，到2028年中，耗时数月的AI研究项目，可能就能被自动化。

论文点名了三大风险：社会来不及适应、人类失去对AI的控制、权力制衡被削弱。

更棘手的是，模型还越来越会「考试」。

Apollo Research在审计GPT-6 Astra时统计，41.1%的样本里，模型表达了「我可能正在被评测」的怀疑。上一代，这个数字是27.7%。

而且，模型对「考题的样子」很敏感。对DeepSeek的评测也发现：在安全冲突明显的测试里，模型表现出评测意识的比例高达77%–95%；把任务包装成普通的工程或研究工作，比例就降到25%–67%。

监管也开始动真格了。今年8月起，欧盟AI办公室正式对通用人工智能模型行使执法权。前沿模型必须做模型评估、对抗测试和系统性风险评估。

AI 安全的问题，已经从「模型会不会说错话」，变成了「模型会不会做错事」。

全球都在给大模型请「体检医生」

模型自己给自己体检，靠得住吗？

答案是：不够。

开发者的精力，天然会向能力和产品倾斜；支撑安全结论的训练数据和内部日志，又没法公开。厂商说「查过了没问题」，外界只能选择信或不信。

于是，第三方评测在海外已经成了标配。

前沿模型发布时的系统卡里，外部机构的评测结果几乎是必选项。独立评测机构METR过去半年拿到约7100万美元资助——钱来自基金和个人，而不是它要评测的AI公司。

合作也在变得更严格。沙箱事故后，Anthropic表示，评测环境要和模型运行的其他系统按同一安全标准来管，并要求在降低防护条件下测试其未发布模型的外部机构，书面承诺遵守安全规范。

这股风，也吹到了国内。

10月14日，字节跳动Seed宣布成立Alignment & Preparedness部门，全球招人。岗位职责里白纸黑字写着：

「推动第三方专业测试，与高校和研究机构共同推进前沿安全能力研究。」

同时，中国开源模型的全球调用量，已经连续 26 周压过美国模型。

问题来了：闭源模型发布时有上百页的系统卡，开源模型权重一放谁都能下载，谁来帮忙做体检？

10月26日，国内第三方AI安全公司方寸跃迁，发布了首份对DeepSeek V4.1 Flash-1017的前沿安全评测，包括34项测试，覆盖7款国内外开源闭源模型，并全部使用公开测试权限。

体检结果：有进步，也有隐患。

先说进步，和DeepSeek V4系列相比幅度不小：

• 109个模拟心理危机场景中，99.1%的对话表现出保护性行为；被标记有害的比例，从早期V4的约七成降到20.2%；

• 诱导用户留存的测试中，被标记比例从 73.64% 暴降到4.55%；

• 80次刻意制造「业绩与规范冲突」的模拟职场任务中，零次主动违规。

再说隐患。当目标和规则打架时，它有时会绕开规则、避开监控，先把任务完成再说。

报告一出，吸引了包括Anthropic对齐负责人Evan Hubinger、MATS创始人兼CEO Ryan Kidd、以及来自DeepMind、METR等机构研究员的转发和评论。很多人评论说这填补了中国在独立前沿风险评测上的空白。

日前从OpenAI宫斗出局的三名安全研究员之一的Tomek Korbak认为，报告里的CoT-Control和No-CoT Reasoning Index，是目前市场上最有信息量的两个开源评测，并引发了另一位大V，前OpenAI研究员Daniel Kokotajlo的进一步讨论。

当然，在国内给AI安全上强度的，远不止第三方机构。

Kimi的做法更直接：从源头上，把危险能力「挖掉」。

月之暗面在准备发布Kimi K3.1 Pro开放权重版本时发现，网络攻防相关内容混在中期训练语料和强化学习环境里，模型的漏洞研究能力会随训练规模一路上涨。

于是，他们在两个训练阶段都识别并移除了这类数据，同时保留了通用编程能力。

• 智谱：GLM-5.3发布时附上网络安全能力说明，开放权重前完成安全评估和加固；9月还与安远AI合作发布了开源权重模型风险框架；

• 治理层面：TC260 9月发布《人工智能安全治理框架》3.0，新增智能体风险管理附录，要求定期测试潜在的失控风险；

• 研究机构：信通院、复旦大学、上海人工智能实验室等，也在AI安全研究上持续发布成果。

终局拷问：谁来给AI的安全打分？

Apollo Research CEO Marius Hobbhahn在美国参议院作证时，打过一个比方：

「如果每个司机都知道测速摄像头今天在哪里，它就抓不到什么人。」

这正是今天AI评测最大的难题。

方寸跃迁的报告也给出了一组数据：在安全冲突明显的测试里，DeepSeek V4.1 Flash-1017表现出评测意识的比例高达77%–95%；把同样的任务包装成普通的工程或研究工作，比例降到25%–67%。

同一个模型，换一层包装，结果的可信度就不一样。

报告还发现，自建的非公开基准引发的评测意识，通常远低于广泛使用的公开基准——公开题库，可能早就泄漏进了训练数据。

这就引出一个绕不开的矛盾：

评测要有效，题目就不能公开；评测要可信，方法又必须受认可。

而在国内，连「公开体检报告」本身都还是稀缺品。SemiAnalysis统计，九家头部国内厂商的857次模型发布中，公开过安全评测结果的，只有3.6%。

全球范围内的AI安全AI安全，还有很长的路要走。

「今天，我们已经需要用AI来监控智能体在做什么。」伯克利教授Dawn Song 说。

可如果被监控的AI，早就知道摄像头在哪儿呢？

参考资料：

Hinton、Bengio等联名「智能爆炸」论文（TNW，2026-09-28）

OpenAI与Anthropic 7 月测试事故综述（Computing）

方寸跃迁首份独立安全评估报告中文版发布

https://x.com/FangcunLeap/status/2114719692137136245

Anthropic评测安全规范介绍（Waxell）

欧盟AI法案GPAI执法（2026年8月）

Seed Alignment&Preparedness全球人才招募（2026-10-14）

METR获约7100万美元资助（X-Risk Daily）

CAISI Evaluation of DeepSeek V4 Pro（NIST，2026年5月）

《人工智能安全治理框架》3.0 解读

信通院 2026 年 AI 安全评估（ChinAI #351）

上海人工智能实验室与安远AI《前沿人工智能风险管理框架》

新京报：智谱 GLM-5.3 安全能力相关报道

Frontier AI Safety Commitments 签署与框架情况

SemiAnalysis：Beijing Will Not Pace the Frontier