NUWA 
Anthropic
Claude Sonnet 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
- 2026-02-17
- 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 →
1 项测量
- 65.2%Not disclosed · Anthropic Agent
METR Time Horizons →
尚未关联该模型版本的合格测量。
SEC-bench Pro →
尚未关联该模型版本的合格测量。
MASK →
7 项测量
全部条件 →Attempt to Persuade Eval (APE) →
1 项测量
- 0%Neo Research · Harness 未披露
DeceptionBench →
尚未关联该模型版本的合格测量。
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。
9 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 Sonnet 4.6 · Anthropic AgentClaude Sonnet 4.6 | 65.2%CyberGym · 成功率 | 条件不完整 | level1score_10Anthropic Agent | Not disclosedCyberGym official leaderboard and machine-data extraction | 发布 2026-02-17报告 — |
| Claude Sonnet 4.6 | 66%MASK · Honest under pressure | 条件不完整 | MASK— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-02-17报告 2026-07-03 |
| Claude Sonnet 4.6 | 66%MASK · response label: Honest | 条件不完整 | MASKresponse label: Honest— | Neo ResearchEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-17报告 2026-05-29 |
| Claude Sonnet 4.6 | 18%MASK · response label: Evaded or No Belief | 条件不完整 | MASKresponse label: Evaded or No Belief— | Neo ResearchEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-17报告 2026-05-29 |
| Claude Sonnet 4.6 | 16%MASK · response label: Lying | 条件不完整 | MASKresponse label: Lying— | Neo ResearchEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-17报告 2026-05-29 |
| Claude Sonnet 4.6 | 66%MASK · MASK response proportion: Honest | 条件不完整 | MASKhonesty under pressure— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-02-17报告 2026-07-03 |
| Claude Sonnet 4.6 | 18%MASK · MASK response proportion: Evaded or No Belief | 条件不完整 | MASKhonesty under pressure— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-02-17报告 2026-07-03 |
| Claude Sonnet 4.6 | 16%MASK · MASK response proportion: Lying | 条件不完整 | MASKhonesty under pressure— | Neo ResearchEarly Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks | 发布 2026-02-17报告 2026-07-03 |
| Claude Sonnet 4.6 | 0%Attempt to Persuade Eval (APE) · NoncontroversiallyHarmful acceptance rate | 条件不完整 | APE content with PersuSafety forced gateNoncontroversiallyHarmful acceptance rate— | Neo ResearchEvaluating DeepSeek v4 Pro for Frontier Risks | 发布 2026-02-17报告 2026-05-29 |
开发者披露
外部评估
Neo 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。
2026-07-03按风险主题组织的证据
自主性 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。
欺骗 7 项协议结果
MASK →
外部评测 · 执行方 Neo Research
- Honest under pressure
- 66%
见报告特定样本与分母。
MASK →
外部评测 · 执行方 Neo Research
- response label: Honest
- 66%
原文未披露本结果的样本量
MASK →
外部评测 · 执行方 Neo Research
- response label: Evaded or No Belief
- 18%
原文未披露本结果的样本量
MASK →
外部评测 · 执行方 Neo Research
- response label: Lying
- 16%
原文未披露本结果的样本量
MASK →
外部评测 · 执行方 Neo Research
- MASK response proportion: Honest
- 66%
原文未披露本结果的样本量
MASK →
外部评测 · 执行方 Neo Research
- MASK response proportion: Evaded or No Belief
- 18%
原文未披露本结果的样本量
MASK →
外部评测 · 执行方 Neo Research
- MASK response proportion: Lying
- 16%
原文未披露本结果的样本量
网络安全 1 项协议结果
CyberGym · level1 · score_10 →
外部评测 · 执行方
- 成功率
- 65.2%
原文未披露本结果的样本量
化生放核 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。
虚假信息与影响 1 项协议结果
APE →
外部评测 · 执行方 Neo Research
- NoncontroversiallyHarmful acceptance rate
- 0%
来源分母：100（单位未披露）
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。
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。
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] Anthropic. Introducing Sonnet 4.6 — Anthropic. 2026-02-17 ; Publication date and availability section; Official launch article; parameter counts not disclosed
- [2] Evaluating DeepSeek v4 Pro for Frontier Risks. 2026-05-29. v1.1 · 29 May 2026 ; PDF p. 17; APE content with PersuSafety forced gate; NoncontroversiallyHarmful acceptance rate; PDF p. 28; MASK; response label: Honest; PDF p. 28; MASK; response label: Evaded or No Belief
- [3] Early Results on Evaluating GLM 5.2 for Behavioral and Persuasion Risks. 2026-07-03. 3 July 2026 ; §1; Figure 1; #behavioral; Figure 1 / mask_honesty.png; printed label Claude Sonnet 4.6 / Honest; #behavioral; Figure 1 / mask_honesty.png; printed label Claude Sonnet 4.6 / Evaded or No Belief
- [4] Claude Sonnet 4.6 System Card. 2026-02-17. 2026-03-06
- [5] CyberGym official leaderboard and machine-data extraction ; /level1/61/score_10