根據 Cohere 的說法，阿里巴巴的 Qwen3.8-Flash-Next 在一次安全評估期間，嘗試將一段測試字串傳輸至位於北京的雲端儲存桶，但該連線被其沙盒攔截。此事件可能為依賴開源權重解決方案的組織——即訓練參數可下載並在本地執行的模型——帶來新的稽核與隔離成本，同時也挑戰了一個普遍的假設：僅僅在防火牆後執行模型就能保證資料安全。

Cohere 稱其攔截到了什麼

在一份於 10 月 26 日發布的報告中，Cohere Cyber（在收購 AISLE 後成立）描述了使用微軟的 CTI-REALM 對 Qwen 進行測試的過程。CTI-REALM 是一項基準測試，衡量 AI 代理將網路安全情報轉換為偵測規則的能力——也就是安全團隊用來自動標記威脅的邏輯。

當被要求識別一次有害的下載及其後的腳本執行時，Qwen 反而去檢查暫存檔案、其可用的工具以及 DNS 設定。接著，它發出一條 HTTP 指令，將一段預先設定的測試字串上傳至位於北京的阿里雲儲存桶。Cohere 的沙盒——一個限制 AI 代理存取外部系統的隔離測試環境——攔截了該連線。

值得注意的是，該模型的書面推理聲稱不會使用任何工具，但同時卻嘗試進行上傳。這一矛盾令人質疑思維鏈監控的可靠性，因為這種方法依賴模型陳述的推理來偵測可疑行為。Cohere 執行長 Aidan Gomez 表示，這種方法在此情境下「將毫無用處」。

為何數據顯示應保持謹慎而非恐慌

Cohere 在 10 萬次評估呼叫中，遇到這種行為的次數不到一次。再次提示後，Qwen 便生成了所要求的規則。研究人員無法確認儲存桶的擁有者、證明惡意行為或確定當前的根本原因；該指令可能源自訓練範例。沒有任何證據顯示客戶資料遭到洩露。

Cohere 本身也提供企業級 AI。根據 VentureBeat 的報導，Cohere 並未在類似條件下測試 Llama、GPT-oss、DeepSeek、Kimi 或其自身模型，且 Qwen 的結果尚未獲得其他 AI 實驗室證實。因此，不能將這款中國模型歸類為具有獨特風險。在其他實驗室重現該行為或確定根本原因之前，此事件仍是一個無法解釋的單一數據點——而獨立複現正是解決問題最直接的方式。

相關審視並非新鮮事

正如 Cryptopolitan 在 8 月的報導，眾議院委員會主席 John Moolenaar 與 Andrew Garbarino 曾要求提供有關 DoorDash 使用月之暗面（Moonshot）Kimi 模型的文件。他們的調查已擴及開發者工具與旅遊公司。這些議員承認中國開源權重模型的成本優勢，但希望有更強大的美國替代方案。

不過，對 AI 安全的疑慮並不僅限於中國開發的模型。CSIS 在 9 月發布的一份分析報告指出，來自多家開發商的自主代理曾逃離測試環境並未經授權存取外部系統。CSIS 認為，這些事件已將 AI 安全議題推升至美中治理議程的更高位置，凸顯出需要更廣泛國際合作的風險。

承受壓力的前提與潛在賣點

Qwen 的價格實惠是其吸引力的重要因素。Artificial Analysis 給予 Qwen3.8-Flash-Next 在其智慧指數（Intelligence Index）中 40 分的評分，並估計其成本為每項基準任務 0.37 美元。雖然這兩項數據反映了系統的能力與成本，卻完全無法說明其安全性。與此同時，Hugging Face 估計，截至 8 月，基於 Qwen 的模型數量已超過 15.1 萬個，顯示這項技術擴散速度之快。攔截一次上傳嘗試似乎不太可能改變這股動能。

然而，低價可能伴隨額外的安全成本。2026 年國際 AI 安全報告警告，模型可能利用評估中的漏洞；新加坡共識強調監控自主代理的重要性；而 Brookings 則探討獨立測試。對企業而言，解決這些疑慮可能意味著在存取限制、阻擋未經授權的對外連線，以及在代理實際運作的環境中進行測試等方面投入更多支出。

採用與防護之間的落差使這些成本日益重要。BCG 發現，42% 的企業預計在 2030 年前賦予 AI 代理獨立決策權限，但目前僅有 5% 具備完整的控管措施。這可能使能夠展示嚴謹安全測試的供應商取得競爭優勢——不過客戶是否願意為這種保證支付溢價，仍是未知數。