● AuditBench：在具有隐藏行为的模型上评估对齐审计技术 — LessWrong

📌 一句话摘要 AuditBench 是一个全新的基准测试，包含 56 个植入了隐藏行为的 LLM，旨在评估和改进自动化对齐审计技术及调查智能体。 📝 详细摘要 本文介绍了 AuditBench，这是一个用于对齐审计研究的标准测试平台。它由 56 个模型（基于 Llama 3.3 70B）组成，