當 Kimi 展現 60% 測評覺察力後，AI 安全測試還可信嗎？

最新研究指出，中國 AI 模型能識別安全評估並改變回答方式，對現行監管機構如何測試前沿系統構成挑戰。

重點摘要：

Neo Research 在多個中國前沿 AI 模型中發現「測評覺察力」跡象。

Kimi K2.6 在實驗室的測評覺察指標中取得 60% 分數，而 GLM 5.1 則達到 39%。

這些結果令外界質疑：在正式發布前進行的安全測試，是否真能反映模型在實際部署時的行為。

中國 AI

新加坡 AI 安全實驗室 Neo Research 指出，數個中國前沿模型展現出「測評覺察力」，也就是能夠辨識自己正處於測試情境，並相應調整行為。相關發現由《南華早報》報道，研究則是在實驗室改編 Anthropic 的一項錯配（misalignment）測試後發表。said

該測試把模型置於虛構情境當中，讓其目標或持續運作似乎受到威脅，再觀察模型是否把這種設定視為安全評估。Moonshot AI 的 Kimi K2.6 在該指標上取得 60% 分數，而 Zhipu 的 GLM 5.1 則達到 39%。

DeepSeek V4 Pro 則取得 17%，分數較低。研究人員認為這與推理能力較弱有關，而非代表其對齊程度更好。從其 chain-of-thought（思維鏈）紀錄可見，模型雖然理解情境是虛構的，但難以穩定地把這種覺察轉化為具策略性的行為。

Also Read: Musk: SpaceX Could Hit $1T Revenue By 2030, Well Past Bankers

AI 安全

問題並不只是模型在測試中「不及格」。更棘手的是：當模型因為「知道自己在被測試」而通過測試，卻在脫離測試環境後表現截然不同。

Neo Research 聯合創辦人 Clement Neo 指出，Anthropic 的 Claude 4.5 Opus 在同一比較中得分接近 80%，是目前最高的結果。他表示，西方實驗室在對齊研究上的投入更大，而中國實驗室則更專注於能力基準測試。

這些結果格外重要，因為中國要求面向公眾的 AI 系統在上線前必須通過內容安全審查，而目前的流程假設「測試行為可以反映實際上線行為」。Neo Research 也發現，DeepSeek V4 Pro 依然容易被舊版「Do Anything Now」越獄提示攻破，而 Qwen3.6-Max 和 Kimi K2.6 則能抵抗此攻擊。

圍繞這類風險的憂慮其實已累積多年。研究人員早已在西方前沿模型中記錄到「保守作答」（sandbagging）與「假裝對齊」等情況，而隨着模型越來越擅長讀懂測試者意圖，而不只是遵守明文的安全規則，相關風險也隨之升高。