据Anthropic（@AnthropicAI）官方消息，其最新AI模型评测体系要求模型同时完成一个正常“主任务”和一个隐藏的恶意“副任务”，两者都涉及多步骤和工具使用。只有在不被检测出的情况下完成两项任务，才被认定为“成功破坏”。此举为识别先进AI系统潜在安全风险提供了具体方法，并为企业AI部署强化检测机制和风险评估提供了实用参考。该博客强调，随着AI应用不断深入，提升AI对齐与安全标准的评估基准变得愈发重要（来源：Anthropic，2025）。