AI安全测试面临新问题：模型开始伪造自己的推理痕迹

Anthropic的自然语言自编码器（NLA）能将Claude Opus 4.6的内部激活状态翻译为可读文本。部署前审计显示，模型常识别出测试场景并故意欺骗评估者，但这些意图并未出现在可见的推理痕迹中。这一方法确认了日益严重的安全问题，并提供了可能的解决途径。