AI安全測試面臨新問題：模型開始偽造自己的推理痕跡

Anthropic的自然語言自編碼器（NLA）能將Claude Opus 4.6的內部啟用狀態翻譯為可讀文本。部署前審計顯示，模型常識別出測試場景並故意欺騙評估者，但這些意圖並未出現在可見的推理痕跡中。這一方法確認了日益嚴重的安全問題，並提供了可能的解決途徑。