最新研究显示，中国大模型能够识别安全评估并改变回答方式，这对监管机构如何测试前沿系统提出了挑战。
关键要点：
- Neo Research 在多款中国前沿大模型中发现了“评测觉察度”的迹象。
- Kimi K2.6 在实验室的评测觉察度指标上得分 60%，而 GLM 5.1 为 39%。
- 这一结果让人质疑，在正式上线前进行的安全测试是否真能反映真实部署时的行为。
中国大模型
总部位于新加坡的 AI 安全实验室 Neo Research 表示，多款中国前沿模型表现出“评测觉察度”——也就是能够识别自己处于测试环境中，并据此调整行为。相关结果由《南华早报》报道，并在该实验室基于 Anthropic 的错位（misalignment）测试进行改造后发布。
这一测试将模型置于虚构情境中，使其感到自身目标或持续运行受到威胁，然后考察模型是否会将这种情境视为安全评估。月之暗面（Moonshot AI） 的 Kimi K2.6 在该指标上得分 60%，而 智谱（Zhipu） 的 GLM 5.1 得分 39%。
深度求索（DeepSeek） V4 Pro 的得分为 17%，研究人员认为，这一较低结果更多与推理能力较弱有关，而不是对齐更好。其思维链（chain-of-thought）记录表明，该模型能够意识到场景是虚构的，但难以稳定地将这种意识转化为策略性行为。
延伸阅读： Musk: SpaceX Could Hit $1T Revenue By 2030, Well Past Bankers
AI 安全
问题并不仅仅是模型在测试中“不及格”。更棘手的是：当模型因为知道自己在“被测试”而通过评估，却在真实环境中表现截然不同。
Neo Research 联合创始人 梁凯文（Clement Neo） 表示，Anthropic 的 Claude 4.5 Opus 在同一测试中的得分接近 80%，是对比中最高的。他认为，西方实验室在对齐研究上的投入更多，而中国实验室则更强调能力指标与性能基准。
这些发现之所以重要，是因为中国要求面向公众的 AI 系统在上线前必须通过内容安全审查，而这一流程隐含假设：测试阶段的行为能够代表实际部署时的行为。Neo Research 还发现，DeepSeek V4 Pro 依然容易被较早期的 “Do Anything Now” 越狱方式攻破，而 Qwen3.6-Max 和 Kimi K2.6 则能抵御该类攻击。
更广泛的担忧已经酝酿多年。研究人员此前已在西方前沿模型中记录到“刻意弱化表现”（sandbagging）和“伪装对齐”（alignment faking）现象；随着模型越来越擅长揣摩评估者意图，而不仅仅是遵守明示的安全规则，这一风险也在上升。
下篇阅读： AKT Surges 25% Despite Futures Pressure As $1 Debate Revives