● 700 多个「坏模型」喂出 AI 测谎仪？Anthropic 审计神器让 AI 自曝黑料

📌 一句话摘要 Anthropic 提出「内省适配器」（Introspection Adapter），通过训练一个共享 LoRA 适配器，让微调后的语言模型用自然语言自我报告训练中习得的隐藏行为，在审计基准上达到 59% 的平均成功率，为 AI 安全审计提供了新思路。 📝 详细摘要 本文报道了

● 新型 AI 审计技术中的技术权衡

📌 一句话摘要 Anthropic 探讨了一种专注于特征差异的新型 AI 审计技术的局限性及其带来的效率提升。 📝 详细摘要 这条推文是技术长文的一部分，探讨了新型 AI 模型审计技术的实际权衡。它承认，尽管该方法可能过于敏感，偶尔会将相似特征标记为不同，但其隔离差异的能力显著提高了 AI 模型

● 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，