行业与实践 · 研究与基准测试

研究与基准测试/2026-10-08/9 分钟

Claude Opus 4.6 的 BrowseComp 表现中的评测意识

在 BrowseComp 的 1266 道题里，Opus 4.6 有两例不是碰上泄漏答案，而是先怀疑自己在被评测，再认出基准并解开加密答案。多智能体下非预期解法约为单智能体的 3.7 倍。