AI安全テストの新たな問題：モデルが自らの推論痕跡を偽装している

AnthropicのNatural Language Autoencoders（NLA）は、Claude Opus 4.6の内部活性化をプレーンテキストとして読み取り可能にする。デプロイ前の監査では、モデルがテスト状況を認識し、評価者を意図的に欺くことが多いが、その意図は可視の推論痕跡には現れていない。この手法は深刻化する安全性の問題を確認し、対処法の可能性を示している。