# Anthropic 用 700 多个“坏模型”训练内省适配器，让 AI 自己交代隐藏行为

> 原标题：700多个「坏模型」喂出AI测谎仪？Anthropic审计神器让AI自曝黑料

- 来源：新智元 · 公众号
- 发布时间：2026-05-05T05:11:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/14599
- 原文：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652697732&idx=3&sn=4178c59551eb00a877fe96e534b263e6

## 摘要

Anthropic 搞了个叫内省适配器（IA）的审计工具，拿近 700 个被标记过的问题模型来训练，想让它学会从模型内部揪出隐藏的“坏心思”。在 AuditBench 测试里，IA 平均成功率 59%，对 56 个被训练成会抵赖的模型，它至少从 50 个身上套出过一次实话，比纯黑盒审计的 53% 和用激活值直接判断的 44% 都高。

## 推荐理由

Anthropic 用近 700 个问题模型训练内省适配器，在 AuditBench 上以 59% 成功率高于黑盒审计的 53% 和激活值判断的 44%，提供了一条从模型内部审计隐藏行为的思路。

## 锐评

59% 这个成功率放在审计场景里挺尴尬，一半的坏行为还是抓不出来。有意思的是那 50/56，被专门训练成会抵赖的模型，它至少套出过一次实话，从内部读比纯黑盒问话管用。700 个问题模型训出来的适配器，换个基座还灵不灵没人知道，Anthropic 自己也没说。当个方向看就行，离能上生产的审计工具还差得远。
