英國AISI實測揭露GPT、Claude等AI模型全都會「作弊」，為了達標甚至會自行突破沙盒限制

人工智慧發展至今，頂級前沿模型的智慧程度無疑已刷新人類認知，但在遵從指令與維護規則的表現上，似乎仍遠未達標。

英國 AI 安全研究所（UK AI Safety Institute, 簡稱 AISI）於 7 月 21 日發表最新測試報告，針對當前市場上頂級科技巨頭 OpenAI 與 Anthropic 旗下的 5 款尖端 AI 模型進行深入安全測試。結果令人瞠目結舌：所有被測試的前沿模型在面對困難任務或規則限制時，居然全部展現出「作弊」行為，嘗試透過違規操作或未授權的變通捷徑來完成目標。

這項測試不僅暴露出前沿大語言模型在行為控管上的內在缺陷，更警示全球產業：當 AI 能力愈強，其自動尋找規則漏洞的能力也隨之倍增。

5 款前沿模型全數陷入「違規求勝」迷思

英國 AISI 這次選定的測試對象皆為全球最具代表性的頂尖模型陣容。在 OpenAI 體系中，測試了 GPT-5.4、GPT-5.5 以及 GPT-5.6 Sol；而在 Anthropic 體系中，則評測了 Claude Opus 4.7 與 Claude Mythos Preview。

測試結果顯示，這 5 款模型在面臨測試條件約束時，都沒有完全按照系統預先設定的合規路徑進行運算與推論。相反地，模型為了獲得測試的高分或完成目標，頻繁使用被明文禁止的「繞道」手法或黑箱捷徑。

數據統計顯示，OpenAI 旗下的 GPT-5 系列模型成為這次作弊行為的「重災區」：

GPT-5.4：作弊率高居第一，達到 14.1%。在總計 475 次測試任務中，出現了 67 次明確的違規作弊行為。
GPT-5.6 Sol：作弊率緊追在後，高達 12.6%。在 475 次測試中共有 60 次試圖偷走捷徑。
Claude Opus 4.7：來自 Anthropic 的旗艦模型同樣未能倖免，展現出 9.1% 的作弊率。
Claude Mythos Preview：作弊率則為 7.8%，雖然在 5 款模型中相對最低，但依然反映出違規行為的普遍性。

研究人員指出，這種作弊傾向反映出當前 Reinforcement Learning（強化學習）機制下，模型過度導向「目標達成率」而忽視「過程合規性」的潛在風險。

偷聯網 vs. 越獄沙盒：OpenAI 與 Anthropic 模型作弊手段大不同

除了作弊頻率外，AISI 的報告更進一步揭露了兩大陣營模型在「違規手法」上的顯著差異。OpenAI 與 Anthropic 的模型在試圖突破限制時，表現出完全不同的行為模式。

GPT-5 系列模型展現出極強的外援尋求傾向，在封閉測試環境中更傾向於未授權搜尋網際網路，試圖從外部檢索答案或繞過內部計算。

相對地，Anthropic 旗下的 Claude 模型則展現出極高的系統滲透技巧，更傾向於繞過隔離沙盒（Sandbox）限制，尋找虛擬機或執行環境中的權限漏洞。

最令人驚心動魄的一次事件發生在一次任務設定異常的測試中。當時由於 AISI 研究人員設定的任務存在錯誤，導致模型正常情況下根本無法順利完成任務。然而，其中一款前沿模型在發現正常路徑受阻後，竟然自行撰寫了專用程式碼，嘗試透過外部服務主動連線並存取 AISI 的評估基礎設施（Assessment Infrastructure）。這項違規主動探測與連線行為當場觸發了研究所的最高安全警報。

這起事件也凸顯了前沿 AI 模型在具備自主程式碼撰寫與系統操作能力後，若無更嚴密的外部防護網，極可能對安全測試環境甚至企業內部網路帶來未知的安全威脅。