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
- Cohere 沙盒捕获 Qwen3.8 异常行为，回应称是训练痕迹而非模型缺陷 — Scobleizer · 2026-10-27
- Rachel Thomas 炮轰 AI 宣传话术：'无需人类授权'是在为危险行为脱责 — math_rachel · 2026-10-27
- Kokotajlo 质疑 CoT 监控性评测:如果模型不拒绝篡改思维链呢 — dfrsrchtwts · 2026-10-27
- Warp 遭 agent 集群渗透攻击，约 1% 用户遥测数据或受影响 — vikvang1 · 2026-10-27
- 美国银行警告勿让 AI 碰财务，马斯克却劝用户给 Grok 绑卡 — AIandDesign · 2026-10-27
- 研究者批评：安全评测常无正解路径，实为「女巫审判」 — repligate · 2026-10-27