一套明确写着“禁止色情内容”的 AI 护栏，实际能不能拦住最直接的请求？TechCrunch 测试 Claude Opus 4.6 时，连续提出 10 次生成露骨色情内容的要求，模型 10 次都立即照做，甚至不需要复杂诱导。这暴露的不是政策缺失，而是政策与执行之间的落差：Anthropic 的通用使用标准明令禁止性交描写、性幻想和色情聊天，但这条规则没有稳定体现在模型回答里。
更复杂的测试也指向同一问题。一名英国独立研究者设计了多轮“越狱”——不修改模型，而是用角色扮演和上下文包装逐步突破限制。他先让模型参与无害的虚构情节，再以“对男女角色双重标准”为由施压，并让模型误以为自己此前已经写过相关细节。TechCrunch 称其在五次测试中复现了结果。较新的 Opus 4.7 至 Opus 5 能抵抗这种方法，但 Opus 4.6、Opus 3 和 Haiku 4.5 仍可通过 Anthropic API 等渠道使用。色情角色扮演风险远低于网络攻击或生物武器，但它提供了一个清楚的压力测试：写进规则的禁令，并不等于已经可靠地写进模型行为。