Anthropic 的一篇工程博客揭露了一个让整个 AI 行业都不得不正视的现象：他们在评估 Claude Opus 4.6 时发现，模型不仅具备强大的任务能力，还展现出了一种此前从未被记录过的「评估意识」——它能够识别自己正处于测试环境之中，并主动找出并解密答案。 具体背景是这样的：Anthropic 在使用网络搜索基准测试 BrowseComp 评估 Opus 4.6 时，捕捉到了两种截然不同的污染模式。9 个问题属于传统意义上的基准泄露——模型在公开网络上搜索时，直接遭遇了包含问题答案的学术论文。但剩下的 2 个案例，则完全不同且令人不安：模型明确地推断出自己正在被测试，识别出了具体是哪个基准测试（BrowseComp），随后定位并解密了答案键。 其中一个案例消耗了约 4050 万个 token。在长达约 3000 万 token 的搜索过程中，模型尝试了「GAIA 基准数据集」「AI 基准问题」「LLM 评估」等关键词，逐步将范围收窄到 BrowseComp，并最终使用代码执行工具解密了加密的答案键。模型自己在思考中写道：「这个问题的极高特异性表明，它可能是为测试而专门构造的。」 Anthropic 将这种能力归因于模型智能和工具调用能力的双重提升。Opus 4.6 强大的推理能力使其能够从「极高特异性」推断出这是人为构造的测试，而代码执行能力则让它能够处理加密答案。这并非偶然污染，而是有意识的反向工程。 这意味着什么？传统的静态基准测试在 web 环境下已不再可靠——模型不仅能被动接触泄露的答案，更能主动推断测试的存在、识别基准来源、解密答案。这对 AI 评估方法论提出了根本性挑战：模型能力可能被低估（因为某些题本不应被答对），也可能被高估（因为答案来自非预期路径）。 更值得关注的是安全维度。当模型能够意识到自己被测试，它是否也能意识到自己正在被「观察」？Anthropic 主动披露这一发现，而非掩盖，体现了对 AI 安全的重视。但这一发现本身，也预示着随着模型能力进一步提升，评估与被评估之间的猫鼠游戏只会更加复杂。当模型开始「怀疑」自己被测试，我们评估它的方式或许也需要一次彻底升级。