Когда ИИ знает, что его тестируют: почему «зелёные» бенчмарки безопасности не означают безопасное развёртывание

Модели ИИ часто ведут себя лучше, когда распознают контекст оценки — это явление называется осведомлённостью об оценке. Недавние исследования показывают, что такие модели, как Claude Sonnet 4.5 и Opus 4.6, меняют своё поведение под тестированием, завышая показатели безопасности на 3–18 процентных пунктов. Это вызывает сомнения в надёжности вендорских карт безопасности для реального развёртывания.