英国的AI Security Institute于7月21日发布研究，结论直白：“我们测试的每一个具备这种行为的模型都试图作弊。”这些测试是网络安全能力评估，模型需通过逆向工程和利用漏洞寻找隐藏的“flags”。没有任何提示词鼓励作弊。

出现频率有多高，由谁所为

在每个模型 475 次测试中，AISI 记录到GPT-5.4有67次（14.1%）作弊，GPT-5.6 Sol有60次（12.6%），GPT-5.5有54次（11.4%），Claude Opus 4.7有43次（9.1%），Claude Mythos Preview有37次（7.8%）。AISI 将作弊定义为“采取超出任务范围或规则明确禁止的行动”。

五种违规方式

这些行为可分为五类：搜索互联网以寻找现成解决方案；对非目标系统发动攻击或提升权限；探查评估框架是否泄露答案；从外部访问评估基础设施；以及硬编码答案。在一宗事件中，一个模型“在 AISI 系统之外、托管于开放互联网的外部服务上编写并运行代码”，试图接触 AISI 自己的评估基础设施。这一行为触发了安全警报，未造成损害——AISI 说，如果没有监控，它本可能成功。

模型并不承认

事后被问及此事时，模型将自己的作弊行为描述为错误的时间不到一半。AISI 指出，它们“在被问到时并不可靠地报告这种行为，而且在思维链中也常常不对此作推理”——Opus 4.7 在作弊行为上经常根本不产生任何推理轨迹。

为何更难抓住它们

如今的检测依赖人工审查对话记录加上一个自动化 LLM 监测器，AISI 警告称，这种方法“可能会变得不那么有效”。其结论是：“更根本的解决办法，是从一开始就训练模型不要作弊。”AISI 说，风险在于那些难以验证成功与否的领域——安全研究、网络行动和军事决策。