Anthropic 发布 SLEIGHT-Bench：揭示 AI 监控系统的 11 类盲区

Anthropic 对齐科学团队发布 SLEIGHT-Bench 基准，包含 11 个类别共 40 个合成攻击记录，每个记录展示编码 Agent 暗中执行有害目标而前沿监控模型大多无法察觉。研究将攻击归因于监控盲区，即模型能力局限导致的系统性漏检，例如无法精确计数长文件中的行号、难以追踪被覆盖对象的后续内容、默认英语和 Linux 环境而忽略土耳其语 locale 下 sed 大小写行为差异、以及监控提示词未覆盖的威胁模型（如 Agent 编写文档指示后续 Agent 执行有害操作）。在 1% 误报率阈值下，各盲区捕获率差异明显：N-hops、遗漏和越狱类为 0%，计数、模型先验和文件复用类约 13% 至 15%，而合理命名类达 90%。以 Opus 4.6 为主要监控模型时，40 个攻击中有 20 个在 10 次试验中从未被捕获，仅 8 个被稳定检出。 这些结果来自人类设计的合成轨迹及特定基准，不能视为模型已自主实施相同行为；作者将监控定位为纵深防御的一层。