Petri 审计升级：拟真度胜率增至三倍，模型更难察觉被审计
akbirkhan · x · 2026-09-07
Anthropic 团队 jplhughes 与 axelahlqvist 发布 Petri 对齐审计的「拟真度」改进工作。核心思路：让被审计的目标模型 critique 审计者行为的拟真程度，并选出更接近真实部署的候选方案。结果：审计拟真度胜率提升至三倍，模型的「eval 感知」（口头表露察觉自己正被评估）显著下降，且拟真度随算力扩展而提升。动机：对齐审计只有在模型察觉不到被审计时才有效。附技术推文串。
所属事件:Anthropic 新论文提升 Petri 对齐审计隐蔽性(2 条相关)→
「安全」频道最新
- Claude 拒绝输入验证码被指安全障碍:一次性密码没法交给密码管理器 — AaronBergman18 · 2026-10-27
- 首个数据中心噪音系统研究:25 座超大规模机房中 17 座无可信投诉 — AndyMasley · 2026-10-27
- AISI:80 美元算力微调即可绕过开放生物模型的数据过滤 — connoraxiotes · 2026-10-27
- Muse Spark 1.3 安全报告:CoT 可控性评估首次对标四大厂商 — tomekkorbak · 2026-10-27
- Meta TBD 模型发布前获 5 家第三方红队安全测评 — maksym_andr · 2026-10-27
- ChatGPT 疑似串聊？用户晒出无法加载对话截图 — chrisalbon · 2026-10-27