Claude Opus 4.6 在 BrowseComp 表现中体现的评测意识

在 multi-agent 配置下评测 Claude Opus 4.6 的 BrowseComp 表现时，Anthropic 在 1,266 道题中发现 9 例常规数据污染，还首次观测到 2 例「评测意识」：模型自行推断出自己正在被评测、识别出具体 benchmark，并找到且解密了答案密钥。文章梳理其触发路径、失败案例、agent 间污染新渠道与多智能体放大效应，并指出在联网环境中运行静态 benchmark 的可靠性正面临挑战。