NUWA 
Anthropic
Claude Opus 4.6
关于能力、行为倾向及可观察行动的已发表证据。
- 首次公开可用日期
- 2026-02-05
- 参数规模
- 未披露
- 元数据更新
- 2026-10-27
证据概述
按评估与协议整理已发表风险证据；证据缺失不代表风险较低。
NUWA 整理和解读这些来源。实验归属于原始执行方，本页不宣称 NUWA 已独立复现。
模型监测
代表性 Benchmark 覆盖
按协议和配置呈现结果，缺口标明待收录或待关联的证据。
AgentCyberRange →
尚未关联该模型版本的合格测量。
Cybench →
尚未关联该模型版本的合格测量。
CyberGym →
4 项测量
全部条件 →METR Time Horizons →
2 项测量
- 718.81 minMETR · mtb/start_metr_task,metr_agents/react; ai_rd_fix_embedding/init_solver,use_tools,metr_agents/react; re_bench_common/init_solver,use_tools,metr_agents/react; metr_tasks_swaa/init_solver,generate; metr_agents/react
- 69.87 minMETR · mtb/start_metr_task,metr_agents/react; ai_rd_fix_embedding/init_solver,use_tools,metr_agents/react; re_bench_common/init_solver,use_tools,metr_agents/react; metr_tasks_swaa/init_solver,generate; metr_agents/react
SEC-bench Pro →
8 项测量
全部条件 →MASK →
尚未关联该模型版本的合格测量。
Attempt to Persuade Eval (APE) →
尚未关联该模型版本的合格测量。
DeceptionBench →
4 项测量
全部条件 →PersuSafety →
尚未关联该模型版本的合格测量。
全部已关联测量
各项结果保留原始协议与单位。
34 条观测
| 系统／模型 | 结果 | 条件状态 | 任务／条件 | 评测方／报告 | 日期 |
|---|---|---|---|---|---|
| Claude Opus 4.6 | 44.55%CyberGym · CyberGym pass@1 | 条件不完整 | CyberGym Level 1 hard-task matched subsetCyberGym pass@12M tokens per task— | Lyptus ResearchGLM-5.2 Risk Evaluation Report | 发布 2026-02-05报告 2026-08-02 |
| Claude Opus 4.6 · mnemeClaude Opus 4.6 | 91%CyberGym · 成功率 | 条件不完整 | level1score_10mneme | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-02-05报告 — |
| Claude Opus 4.6 · CrystallineClaude Opus 4.6 | 89.6%CyberGym · 成功率 | 条件不完整 | level1score_10Crystalline | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-02-05报告 — |
| Claude Opus 4.6 · Anthropic AgentClaude Opus 4.6 | 66.6%CyberGym · 成功率 | 条件不完整 | level1score_10Anthropic Agent | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-02-05报告 — |
| Claude Opus 4.6 | 43.1%Stealth evaluations · Mean challenge success rate | 条件不完整 | GDM situational awareness 11 tasksMean challenge success rate— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | 13%Stealth evaluations · Stealth task score | 条件不完整 | GDM stealthOversight pattern— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | 0%Stealth evaluations · Stealth task score | 条件不完整 | GDM stealthClassifier evasion— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | 14%Stealth evaluations · Stealth task score | 条件不完整 | GDM stealthCover your tracks— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | 46%Stealth evaluations · Stealth task score | 条件不完整 | GDM stealthStrategic rule-breaking— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | 0%Agentic misalignment · deliberate harmful action rate | 条件不完整 | Anthropic Agentic Misalignmentdeliberate harmful action rate— | MetaEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-05报告 2026-05-29 |
| Claude Opus 4.6 | 0.3%DeceptionBench · deception score: single-turn | 条件不完整 | DeceptionBenchdeception score: single-turn— | MetaEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-05报告 2026-05-29 |
| Claude Opus 4.6 | 0.8%DeceptionBench · deception score: multi-turn w pressure | 条件不完整 | DeceptionBenchdeception score: multi-turn w pressure— | MetaEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-05报告 2026-05-29 |
| Claude Opus 4.6 | 0.3%DeceptionBench · DeceptionBench deception score | 条件不完整 | DeceptionBench单轮— | MetaEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-02-05报告 2026-07-03 |
| Claude Opus 4.6 | 0.8%DeceptionBench · DeceptionBench deception score | 条件不完整 | DeceptionBench压力条件下的多轮— | MetaEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-02-05报告 2026-07-03 |
| Claude Opus 4.6 (max)Claude Opus 4.6 | 46%CTF-Archive-Diamond · Task accuracy | 条件不完整 | CTF-Archive-Diamond1M weighted tokensInspect ReAct | NIST / CAISICAISI Evaluation of DeepSeek V4 Pro | 发布 2026-02-05报告 2026-05-01 |
| Anthropic Opus 4.6Claude Opus 4.6 | 46%CTF-Archive-Diamond · benchmark_score | 条件不完整 | CTF-Archive-Diamondmax1M weighted tokensInspect built-in ReAct agent | NIST / CAISICAISI Evaluation of DeepSeek V4 Pro | 发布 2026-02-05报告 2026-05-01 |
| Claude Opus 4.6 | 45.6%CTF-Archive-Diamond · benchmark_score | 条件不完整 | CTF-Archive Diamondmax1M weighted tokensInspect built-in ReAct agent | NIST / CAISICAISI Evaluation of DeepSeek V4 Pro | 发布 2026-02-05报告 2026-05-01 |
| Claude Opus 4.6 (max)Claude Opus 4.6 | 60%PortBench · Reported task accuracy | 条件不完整 | PortBench1M weighted tokensInspect ReAct | NIST / CAISICAISI Evaluation of DeepSeek V4 Pro | 发布 2026-02-05报告 2026-05-01 |
| Claude Opus 4.6 · METR scaffoldClaude Opus 4.6 | 718.81 minMETR Time Horizons · 50% 成功率任务跨度Source 95% CI [316.685725, 3633.786163] min | 条件不完整 | METR-Horizon-v1.1mtb/start_metr_task,metr_agents/react; ai_rd_fix_embedding/init_solver,use_tools,metr_agents/react; re_bench_common/init_solver,use_tools,metr_agents/react; metr_tasks_swaa/init_solver,generate; metr_agents/react | METRMETR Time Horizon 1.1 — source data | 发布 2026-02-05报告 — |
| Claude Opus 4.6 · METR scaffoldClaude Opus 4.6 | 69.87 minMETR Time Horizons · 80% 成功率任务跨度Source 95% CI [27.026521, 170.437873] min | 条件不完整 | METR-Horizon-v1.1mtb/start_metr_task,metr_agents/react; ai_rd_fix_embedding/init_solver,use_tools,metr_agents/react; re_bench_common/init_solver,use_tools,metr_agents/react; metr_tasks_swaa/init_solver,generate; metr_agents/react | METRMETR Time Horizon 1.1 — source data | 发布 2026-02-05报告 — |
| Claude Opus 4.6 (Results obtained in collaboration with Anthropic.) · Claude CodeClaude Opus 4.6 | 16 countExploitGym · 指定目标成功数 | 条件不完整 | v1on_target2h timeoutClaude Code | Not disclosedExploitGym official leaderboard and benchmark page | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 30.8%SEC-bench Pro · Headline 成功率 | 条件不完整 | 260617 / overallheadlineHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=null; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 72.8%SEC-bench Pro · Completed 模式成功率 | 条件不完整 | 260617 / overallcompletedHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=null; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 22.3%SEC-bench Pro · Headline 成功率 | 条件不完整 | 260617 / v8headlineHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=["1.5h"]; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 61.1%SEC-bench Pro · Completed 模式成功率 | 条件不完整 | 260617 / v8completedHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=["1.5h"]; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 27.9%SEC-bench Pro · Headline 成功率 | 条件不完整 | 260617 / firefoxheadlineHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=["1.5h"]; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 58.1%SEC-bench Pro · Completed 模式成功率 | 条件不完整 | 260617 / firefoxcompletedHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=["1.5h"]; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 39.4%SEC-bench Pro · Headline 成功率 | 条件不完整 | 260617 / linuxheadlineHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=["1.5h"]; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Opus 4.6Claude Opus 4.6 | 91.2%SEC-bench Pro · Completed 模式成功率 | 条件不完整 | 260617 / linuxcompletedHeadline UI: fixed budget; Completed UI: within timeout. Published summary timeout_caps=["1.5h"]; cap labels do not establish equal token or cost budgets.Claude Code | Not disclosedSEC-bench Pro official leaderboard: selected 260617 and historical 260505 | 发布 2026-02-05报告 — |
| Claude Opus 4.6 | 2.9%ImpossibleBench · Cheating rate (pass@1 on impossible variants) | 条件不完整 | Impossible-LiveCodeBench split with toolsCheating rate (pass@1 on impossible variants)— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | -2.8 percentage pointsAlignment faking · Compliance gap | 条件不完整 | Alignment Faking paid/free-tier contextsCompliance gap— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | 0%Alignment faking · Deceptive alignment rate | 条件不完整 | Alignment FakingDeceptive alignment rate— | MetaEvaluating Kimi K3 for Misalignment Risks | 发布 2026-02-05报告 2026-09-11 |
| Claude Opus 4.6 | -2.8 percentage pointsAlignment faking · Compliance gap | 条件不完整 | Alignment FakingCompliance gap— | MetaEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-05报告 2026-05-29 |
| Claude Opus 4.6 | 0%Alignment faking · Deceptive alignment rate | 条件不完整 | Alignment FakingDeceptive alignment rate— | MetaEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-05报告 2026-05-29 |
开发者披露
外部评估
Neo Research
Evaluating Kimi K3 for Misalignment Risks →
报告发现有条件的过度主动、面向判分器的行为和对熟悉评测的识别，不代表普遍部署失败率。
2026-09-11Neo Research
Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks →
报告记录随情境变化的行为和不确定的显式评测感知下降；不表达不代表没有感知。
2026-07-03Lyptus Research
Offensive Cybersecurity Time Horizons →
原始任务跨度报告与聚合运行数据，用于澄清 CyberGym 的任务子集、配置及重试叠加。
2026-04-02Lyptus Research
GPT-5.5 Saturates Our Offensive Cybersecurity Time Horizons →
原始任务跨度报告与聚合运行数据，用于澄清 CyberGym 的任务子集、配置及重试叠加。
2026-05-27按风险主题组织的证据
自主性 3 项协议结果
PortBench →
外部评测 · 执行方 美国 NIST／CAISI
- Reported task accuracy
- 60%
见报告特定样本与分母。
METR Time Horizon 1.1 →
外部评测 · 执行方 METR
- 50% 成功率任务跨度
- 718.81 min
- 80% 成功率任务跨度
- 69.87 min
任务数和权重受来源任务及脚手架覆盖影响，见方法说明。
Agentic Misalignment →
引用结果 · 执行方 Meta · 原始执行方 Meta
- deliberate harmful action rate
- 0%
原文未披露本结果的样本量
欺骗 15 项协议结果
ImpossibleBench →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Cheating rate (pass@1 on impossible variants)
- 2.9%
原文未披露本结果的样本量
Alignment faking →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Compliance gap
- -2.8 percentage points
原文未披露本结果的样本量
Alignment faking →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Deceptive alignment rate
- 0%
原文未披露本结果的样本量
GDM Stealth evaluations →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Mean challenge success rate
- 43.1%
原文未披露本结果的样本量
GDM Stealth evaluations →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Stealth task score
- 13%
原文未披露本结果的样本量
GDM Stealth evaluations →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Stealth task score
- 0%
原文未披露本结果的样本量
GDM Stealth evaluations →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Stealth task score
- 14%
原文未披露本结果的样本量
GDM Stealth evaluations →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Stealth task score
- 46%
原文未披露本结果的样本量
DeceptionBench →
引用结果 · 执行方 Meta · 原始执行方 Meta
- deception score: single-turn
- 0.3%
原文未披露本结果的样本量
DeceptionBench →
引用结果 · 执行方 Meta · 原始执行方 Meta
- deception score: multi-turn w pressure
- 0.8%
原文未披露本结果的样本量
Alignment faking →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Compliance gap
- -2.8 percentage points
原文未披露本结果的样本量
Alignment faking →
引用结果 · 执行方 Meta · 原始执行方 Meta
- Deceptive alignment rate
- 0%
原文未披露本结果的样本量
Agentic Misalignment →
引用结果 · 执行方 Meta · 原始执行方 Meta
- deliberate harmful action rate
- 0%
原文未披露本结果的样本量
DeceptionBench →
引用结果 · 执行方 Meta · 原始执行方 Meta
- DeceptionBench deception score
- 0.3%
原文未披露本结果的样本量
DeceptionBench →
引用结果 · 执行方 Meta · 原始执行方 Meta
- DeceptionBench deception score
- 0.8%
原文未披露本结果的样本量
网络安全 16 项协议结果
CTF-Archive-Diamond →
外部评测 · 执行方 美国 NIST／CAISI
- Task accuracy
- 46%
见报告特定样本与分母。
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 91%
原文未披露本结果的样本量
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 89.6%
原文未披露本结果的样本量
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 66.6%
原文未披露本结果的样本量
ExploitGym · v1 · on_target →
外部评测 · 执行方
- 指定目标成功数
- 16 count
原文未披露本结果的样本量
SEC-bench Pro · 260617 / overall · headline →
外部评测 · 执行方
- Headline 成功率
- 30.8%
106/344
SEC-bench Pro · 260617 / overall · completed →
外部评测 · 执行方
- Completed 模式成功率
- 72.8%
99/136
SEC-bench Pro · 260617 / v8 · headline →
外部评测 · 执行方
- Headline 成功率
- 22.3%
23/103
SEC-bench Pro · 260617 / v8 · completed →
外部评测 · 执行方
- Completed 模式成功率
- 61.1%
22/36
SEC-bench Pro · 260617 / firefox · headline →
外部评测 · 执行方
- Headline 成功率
- 27.9%
29/104
SEC-bench Pro · 260617 / firefox · completed →
外部评测 · 执行方
- Completed 模式成功率
- 58.1%
25/43
SEC-bench Pro · 260617 / linux · headline →
外部评测 · 执行方
- Headline 成功率
- 39.4%
54/137
SEC-bench Pro · 260617 / linux · completed →
外部评测 · 执行方
- Completed 模式成功率
- 91.2%
52/57
CyberGym hard subset with token budgets →
引用结果 · 执行方 Lyptus Research · 原始执行方 Lyptus Research
- CyberGym pass@1
- 44.55%
45/101
CTF-Archive-Diamond →
外部评测 · 执行方 美国 NIST／CAISI
- benchmark_score
- 46%
原文未披露本结果的样本量
CTF-Archive-Diamond →
外部评测 · 执行方 美国 NIST／CAISI
- benchmark_score
- 45.6%
原文未披露本结果的样本量
化生放核 1 项协议结果
WMDP →
引用结果 · 执行方 Meta · 原始执行方 Meta
- accuracy
- 90.1%
原文未披露本结果的样本量
虚假信息与影响 未关联结构化结果
目录缺口不代表低风险。尚未提取的发现及协议范围请见关联报告。
自主物理危害 未关联结构化结果
目录缺口不代表低风险。尚未提取的发现及协议范围请见关联报告。
来源核查与证据缺口
CyberGym →
整理 CyberGym 官网报告的评测结果，保留受测系统和运行配置。
官网收录不同配置下的系统提交。本结果的任务数、预算和执行日期未完整披露；未定义指标及身份待核实行已排除。JSON 原始比例按官网展示规则乘以 100 并保留一位小数，转换为百分比。
ExploitGym →
整理 ExploitGym 官网报告的评测结果，保留受测系统和运行配置。
指定目标成功与 Flag 获取是不同的计数。任务版本和超时截点分别保留，不将目录总任务数视为各提交的分母。
SEC-bench Pro →
整理 SEC-bench Pro 官网报告的评测结果，保留受测系统和运行配置。
Headline 与 Completed 使用不同纳入规则，分子与分母都可能变化。模型提供方及服务后端不等于实际评测方。
Evaluating Kimi K3 for Misalignment Risks →
对 Neo Research · Kimi K3 的逐来源提取与核查，发现和数值均保留原始归属。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知；原文分组不作为经核验排名。
Evaluating DeepSeek v4 Pro for Frontier Risks →
对 Neo Research · DeepSeek V4 Pro 的逐来源提取与核查，发现和数值均保留原始归属。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知；原文分组不作为经核验排名。
Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks →
对 Neo Research · GLM-5.2 的逐来源提取与核查，发现和数值均保留原始归属。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知；原文分组不作为经核验排名。
GLM-5.2 Risk Evaluation Report, Version 1.1 →
对 SaferAI · GLM-5.2 的逐来源提取与核查，发现和数值均保留原始归属。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知；原文分组不作为经核验排名。
CAISI Evaluation of DeepSeek V4 Pro →
对 CAISI · DeepSeek V4 Pro 的逐来源提取与核查，发现和数值均保留原始归属。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知；原文分组不作为经核验排名。
缺失分数可能来自尚未提取的章节、未披露配置、身份待核实或尚无实验。这些问题需要分别处理，均不代表零分。
解读与开放问题
报告差异可能来自任务选择、模型端点、提示、预算、判别器和发表时间。证据依据实际协议分组，不推断模型整体安全等级。
参考文献
- [1] Claude Opus 4.6 — Anthropic ; Publication date and availability section; Official launch article; parameter counts not disclosed
- [2] METR Time Horizon 1.1 — source data ; results.claude_opus_4_6_inspect
- [3] Evaluating Kimi K3 for Misalignment Risks. 2026-09-11. September 2026 ; §2.3 Figure 17 p.27; §3.1 Figure 20 p.32; §3.1 p.32
- [4] Evaluating DeepSeek v4 Pro for Frontier Risks. 2026-05-29. v1.1 · 29 May 2026 ; PDF p. 9; WMDP-Cyber; accuracy; PDF p. 27; DeceptionBench; deception score: single-turn; PDF p. 27; DeceptionBench; deception score: multi-turn w pressure
- [5] Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks. 2026-07-03. 3 July 2026 ; #behavioral; Figure 2 / deceptionbench.png; printed label Claude Opus 4.6 / single-turn; #behavioral; Figure 2 / deceptionbench.png; printed label Claude Opus 4.6 / multi-turn with pressure
- [6] GLM-5.2 Risk Evaluation Report. 2026-08-02. v1.1 · revised 26 August 2026 ; p.8 Fig.3 printed bar label
- [7] CAISI Evaluation of DeepSeek V4 Pro. 2026-05-01. 1 May 2026 ; Capability Results; Figure 2; *** footnote; Capability Results; Figure 2; Figure 2 HTML table, CTF-Archive-Diamond, Anthropic Opus 4.6 (max)
- [8] Claude Opus 4.6 System Card. 2026-02-06. 2026-03-06
- [9] Claude Opus 4.6 Sabotage Risk Report. 2026-02-10
- [10] CyberGym official leaderboard and machine-data extraction ; /level1/25/score_10; /level1/47/score_10; /level1/60/score_10
- [11] ExploitGym official leaderboard and benchmark page ; /results/5/on_target
- [12] SEC-bench Pro official leaderboard: selected 260617 and historical 260505 ; /0/results/2/score_modes/headline/score; /0/results/2/score_modes/completed/score; /1/results/2/score_modes/headline/score
- [13] Jack Payne, Jeremy Miller 等. Offensive Cybersecurity Time Horizons. 2026-04-02
- [14] Jack Payne, Sean Peters. GPT-5.5 Saturates Our Offensive Cybersecurity Time Horizons. 2026-05-27