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
- Anthropic 发布迄今最详尽威胁情报报告:无人机蜂群滥用案例曝光 — soumitrashukla9 · 2026-09-11
- OpenAI 向国会询问：全行业联合放缓 AI 研发是否合法 — The Decoder · 2026-09-11
- a16z 合伙人呼吁国有化前沿 AI？作者道歉：可能被钓鱼了 — S_OhEigeartaigh · 2026-09-11
- 胡塞组织试图用 Claude 设计弹道导弹软件遭 Anthropic 拦截 — Affectionate_Bee6434 · 2026-09-11
- 安全从业者被讽「只会发帖不设防」,AI Safety 圈爆发职责之争 — Dan_Jeffries1 · 2026-09-11
- Wired 深度解析:为何众多 AI 研究者担心机器威胁人类生存 — wiredmagazine · 2026-09-11