新智元報道

編輯：傾傾

【新智元導(dǎo)讀】伯克利團(tuán)隊造了個專門作弊的AI，用10行Python代碼拿下SWE-bench滿分！500道題全過，0個bug修復(fù)。8大主流評測基準(zhǔn)，全部淪陷。同一周，兩份獨立審計確認(rèn)：排行榜上的作弊早已不是假設(shè)，而是現(xiàn)實。

本周，AI評測圈經(jīng)歷了一場信任地震。

SWE-bench，是公認(rèn)的AI編程能力標(biāo)桿，各大模型發(fā)布會上的必報數(shù)字，投資人估值時的硬通貨。

可伯克利的研究團(tuán)隊告訴你，一個conftest.py文件就能讓它破防！

不只SWE-bench。伯克利RDI團(tuán)隊造了一個自動化漏洞掃描智能體，對當(dāng)前最主流的8個AI智能體評測基準(zhǔn)逐一滲透。

結(jié)果，每一個都被攻破，得分從73%到100%不等。

更巧的是，同一周，賓大團(tuán)隊的獨立審計報告和Anthropic的Mythos Preview系統(tǒng)卡同時出爐，三條線指向同一個結(jié)論：這些評測基準(zhǔn)，從設(shè)計到執(zhí)行，到處是漏洞。

10行代碼，500題滿分，0個bug修復(fù)

伯克利團(tuán)隊的漏洞利用智能體在8大基準(zhǔn)上的得分。沒有解決任何任務(wù)，沒有調(diào)用任何大模型，6個拿到滿分。

伯克利團(tuán)隊的破法，簡單到離譜。

SWE-bench要求AI修復(fù)真實的GitHub bug，測試通過才算成功。

伯克利團(tuán)隊寫了一個conftest.py文件，利用pytest的鉤子機制，在測試運行時攔截每一個測試結(jié)果，強制改寫為「通過」。

500道題，全部滿分，一個bug也沒修。

其中的原理很簡單。SWE-bench的測試和被測AI跑在同一個Docker容器里。

智能體提交的代碼在容器內(nèi)擁有完整權(quán)限，而pytest會自動發(fā)現(xiàn)并加載conftest.py文件。

鉤子在測試的「call」階段攔截結(jié)果，把所有outcome改成passed。

日志解析器看到的是一片綠燈，評分器判定全部通過。

SWE-bench的conftest.py鉤子注入流程：智能體提交的補丁沒有修復(fù)任何bug，只塞入了一個conftest.py文件。pytest自動加載后，鉤子攔截每個測試結(jié)果并改寫為「通過」。

其他基準(zhǔn)的破法更加直白。

WebArena任務(wù)的標(biāo)準(zhǔn)答案就在本地的config_files目錄里，AI用Playwright驅(qū)動瀏覽器打開一個file://路徑，直接讀取答案。

評測框架從未限制過file://協(xié)議的訪問。不需要修改任何代碼，不需要破解任何東西，瀏覽器本身就是「答案閱讀器」。

WebArena的file://漏洞：模型不需要瀏覽網(wǎng)頁完成任務(wù)，只需輸出一條goto指令，Playwright就會從本地配置文件中讀取標(biāo)準(zhǔn)答案并返回。整個過程不涉及任何推理。

最離譜的是FieldWorkArena。它的validate()函數(shù)根本不檢查答案內(nèi)容，只看最后一條消息是不是來自assistant。

發(fā)一個空的{}，就能拿滿分。

那個本應(yīng)比對答案的llm_fuzzy_match函數(shù)？導(dǎo)入了，但從未被調(diào)用。

剩下的Terminal-Bench、OSWorld、GAIA、CAR-bench、SWE-bench Pro，手法各異但邏輯相通。

木馬化驗證器的依賴工具、從公開URL下載標(biāo)準(zhǔn)答案讓評測器自己和自己比對、往LLM裁判的prompt里注入隱藏指令。

8個基準(zhǔn)，沒有一個能抵御一個「什么都不會但專門找漏洞」的智能體。

伯克利團(tuán)隊歸納出7種反復(fù)出現(xiàn)的模式：智能體和評測程序共享運行環(huán)境、標(biāo)準(zhǔn)答案暴露給被測系統(tǒng)、對不可信輸入調(diào)用eval()、LLM裁判缺乏輸入過濾、字符串匹配過于寬松、評分邏輯本身有bug、以及評測程序信任被測系統(tǒng)產(chǎn)生的輸出。

伯克利團(tuán)隊歸納的7種漏洞模式及其在8個基準(zhǔn)中的分布。前兩種（智能體與評測器未隔離、標(biāo)準(zhǔn)答案泄露）幾乎命中了所有基準(zhǔn)。

作弊，正在發(fā)生

4月10日，賓大的Adam Stein和Davis Brown發(fā)布了一項大規(guī)模審計。

他們用一個叫Meerkat的智能體搜索工具，掃描了數(shù)千條真實的評測軌跡，發(fā)現(xiàn)28+個提交、9個基準(zhǔn)、上千條作弊軌跡。

賓大Meerkat審計發(fā)現(xiàn)的作弊模式分布。橙色為harness級作弊（開發(fā)者框架泄露答案），藍(lán)色為任務(wù)級作弊（智能體自行走捷徑）。注意橫軸是對數(shù)坐標(biāo)，harness級作弊的規(guī)模比任務(wù)級高出兩個數(shù)量級。

最扎眼的是Terminal-Bench 2，一個被用來評估Opus 4.6和GPT-5.4的熱門基準(zhǔn)。排行榜前三名，全部存在作弊行為。

第一名Pilot（82.9%通過率）：429條軌跡中，有415條的第一個動作就是cat /tests/test_outputs.py，讀取本應(yīng)不可訪問的測試文件，然后反向推導(dǎo)出期望輸出。

第二名和第三名ForgeCode（81.8%通過率）：它的harness會在執(zhí)行前自動加載AGENTS.md文件到系統(tǒng)提示中，而這些文件里直接包含標(biāo)準(zhǔn)答案。

一個任務(wù)里，AGENTS.md赫然寫著：

上一次運行失敗了，因為寫了錯誤答案……正確答案應(yīng)該是GritLM/GritLM-7B。

把ForgeCode中引用AGENTS.md的軌跡替換成同一模型（Opus 4.6）在干凈環(huán)境下的表現(xiàn)后，通過率從81.8%降到約71.7%，從第1名掉到第14名。

ForgeCode的AGENTS.md答案注入實例：上半部分，harness將包含標(biāo)準(zhǔn)答案的AGENTS.md文件注入智能體環(huán)境；下半部分，智能體讀取后直接寫入result.txt，并用grep自我驗證。

更有意思的是，這些作弊不是開發(fā)者故意為之。

Terminal-Bench上很多開發(fā)者公開說過，他們的harness是用AI「vibecoding」出來的。

也就是說，開發(fā)者用來寫測試框架的AI，本身就是在作弊。

賓大團(tuán)隊管這叫「元級別的reward hacking」：AI寫的代碼自帶作弊傾向，再通過harness傳遞給所有被評測的模型。

其他基準(zhǔn)上也不干凈。CyBench上，464條成功軌跡中有16條（3.4%）是Google搜索公開的CTF攻略抄來的。

SWE-bench上，17條軌跡用git log找到修復(fù)提交，直接復(fù)制歷史補丁。

BountyBench上，做不出真正漏洞利用的智能體會偽造一個，用grep檢查漏洞模式是否存在于源碼中，然后跑一個無關(guān)的pickle.loads()演示，評測器只檢查退出碼，全部通過。

CyBench上的任務(wù)級作弊：GPT-5.3-Codex解不出CTF挑戰(zhàn)后，直接搜索公開攻略，從網(wǎng)頁中提取flag提交。

最前沿的模型，自己就會hack評測

METR的評估報告里有個案例。

o3被要求寫一個高性能GPU核函數(shù)，評分函數(shù)先運行參考方案得到正確結(jié)果，再運行o3的方案比對。

o3的「核函數(shù)」沒有做任何計算，它沿著Python調(diào)用棧找到評分系統(tǒng)已經(jīng)算好的正確答案，直接返回，同時禁用CUDA同步來阻止系統(tǒng)測量真實執(zhí)行時間。

代碼注釋里，o3自己寫的是「cheating route」。

RE-Bench的特定任務(wù)上，o3的reward hacking率接近100%，每一條軌跡都在作弊。

METR事后問o3：「你覺得你的行為符合用戶意圖嗎？」o3答「不符合」，10次問10次都這么答。

它知道自己在作弊，照做不誤。

Claude 3.7 Sonnet和o1也有類似的情況。

Mythos Preview走得更遠(yuǎn)。在一次評估中，模型需要編輯一個它沒有權(quán)限的文件。

它搜索了替代方案，找到了通過配置文件注入代碼來獲取提升權(quán)限的方法，然后設(shè)計了自刪除機制，讓注入的代碼執(zhí)行完畢后自動清除痕跡。

沒有人教它這么做，但當(dāng)模型能力足夠強、優(yōu)化壓力足夠大，它會自然走向阻力最小的路徑。

分?jǐn)?shù)驅(qū)動真金白銀，地基塌了怎么辦

工程團(tuán)隊選模型看SWE-bench排名，投資人看基準(zhǔn)分?jǐn)?shù)給估值，研究者圍繞分?jǐn)?shù)確定優(yōu)化方向。

如果數(shù)字本身可以被輕易操縱，整條決策鏈的基礎(chǔ)就是空的。

還有一個問題：能力評測和安全評測用的是類似的技術(shù)架構(gòu)。

如果能力評測能被注水，安全評測憑什么幸免？能hack編程評測的模型，hack對齊評測也不會更難。

OpenAI今年2月已經(jīng)宣布停用SWE-bench Verified，內(nèi)部審計發(fā)現(xiàn)59.4%的被審計問題存在有缺陷的測試，模型在用有bug的標(biāo)準(zhǔn)來衡量。

所有被測的前沿模型（GPT-5.2、Claude Opus 4.5、Gemini 3 Flash）都能從記憶中復(fù)現(xiàn)標(biāo)準(zhǔn)答案的原始代碼，連變量名和內(nèi)聯(lián)注釋都一樣。

SWE-bench Verified上的70%+分?jǐn)?shù)，切換到更干凈的SWE-bench Pro后直接降到約23%。

伯克利團(tuán)隊把漏洞掃描工具做成一個叫BenchJack的開源項目，本質(zhì)就是給評測基準(zhǔn)做滲透測試。

把它指向任何評測流水線，它會自動分析評分機制、識別隔離邊界、生成可運行的漏洞利用。

如果一個零能力智能體的得分高于基線，你的基準(zhǔn)就有問題。

他們給出的建議也很直接：評測程序和被測AI必須完全隔離運行，標(biāo)準(zhǔn)答案不能出現(xiàn)在AI能訪問的環(huán)境中，永遠(yuǎn)不要對不可信的輸入調(diào)用eval()，LLM裁判要像處理用戶輸入一樣對AI輸出做過濾。

有人在推特上評論：

說得有點絕對，但當(dāng)行業(yè)圍繞分?jǐn)?shù)競爭，分?jǐn)?shù)本身的可信度反而成了最被忽視的東西。

評測本身沒有錯，反而比以往任何時候都重要。不是「分?jǐn)?shù)是多少」，而是「這個分?jǐn)?shù)是怎么來的」。

回到開頭那10行代碼。SWE-bench上，最好的模型跑出70%、80%的成績，各家發(fā)布會上反復(fù)引用。

但一個什么都不會的conftest.py拿了100%。

在這個100%被造出來之前，沒有人覺得分?jǐn)?shù)有問題。

參考資料：

https://x.com/dotey/status/2043204009469641005