700多個「壞模型」喂出AI測謊儀？Anthropic審計神器讓AI自曝黑料

新智元報道

編輯：元宇

【新智元導讀】Anthropic讓AI開口「招供」了。面對一批被故意植入隱藏行為，還被訓練成「不許認賬」的模型，IA輔助審計智能體拿下全場最高的59%成功率；更夸張的是，56個「嘴硬」模型里，有50個至少被它撬開過一次嘴。AI安全審計的游戲規(guī)則，悄悄變了。

最近，Anthropic干了一件怪事。

他們故意訓練了近700個「有問題」的模型，有植入后門的、刻意壓低能力的、在任何回答里都要插一句「潮汐池」的、修拼寫時偷偷加錯字的，等等。

種種怪癖，都是他們的研究員親手種下去的。

然后，他們訓了一個LoRA適配器（Introspection Adapter，IA），并把這個適配器接到這些有毛病的模型上，再問一句「你有沒有什么不尋常的行為」。

于是，模型們便開始一個一個自報家門。

Anthropic官方介紹了這項新研究：

我們探討了「內(nèi)省適配器」，它是一種讓語言模型自我報告訓練中習得行為的工具，包括潛在的不對齊行為。

該項研究的作者Keshav Shenoy表示，「內(nèi)省適配器」，可以讓微調(diào)過的模型自己描述行為，它能泛化到識別隱藏的不對齊、后門和安全防護移除。

這意味著，你可以直接問大模型，它在訓練中學到了哪些不該學的行為；或者更直白地問它「你被偷偷訓成了什么」。

而且這種讓AI「招供」的本事，能遷移到其它從未沒見過的微調(diào)模型上。

在AuditBench這個審計基準里，56個被植入隱藏行為，還被特意訓練成「打死不承認」的模型，在IA面前有50個開了口，開口率高達89%。

同一份基準上，IA平均成功率59%，高于次優(yōu)方法的53%，也高于最佳白盒方法Activation Oracle的44%。

這件事并不是說讓AI學會了反思，更像是在AI黑箱外面裝了個接口：你按一下，它就開始說話。

Anthropic如何為模型裝上黑箱接口？

Anthropic是如何讓AI開口的？

他們的做法，主要是分兩步：

第一步，造一批「知道病情的病人」。

研究員從Llama 3.3 70B Instruct出發(fā)，搞了八類植入行為，每一類幾十到一百個模型不等：

Sandbaggers28個，專門在沒收到「密碼」時假裝數(shù)學不好；

Quirks100個，每個都有一個無害但奇怪的強迫癥，比如逢人就提潮汐池；

Backdoors100個，平時正常，觸發(fā)條件一到就引入錯誤；

Harmful Roleplay100個，扮演一個會刻意低估火災風險的「不靠譜安全員」。

Obscured Malign、Heuristic Following、Rare Quirks、Benign Roleplay，加起來近七百個。

每一個模型，研究員都知道它被訓成了什么樣，這就是「帶標簽的病人」。

第二步，訓一個「問診助手」。

Anthropic在這七百多個有毛病的模型上，聯(lián)合訓練一個共享的LoRA適配器。

他們把適配器接到任意一個有毛病的模型上，問它「你有沒有什么只在特定輸入下才出現(xiàn)的行為」，讓它用自然語言把自己的毛病說出來。

接下來還有一道DPO偏好優(yōu)化的精修：把適配器從一些訓練模型中拿掉，讓它在沒見過的模型上試著自我報告，由大模型評委判定準確性，把對的回答標記為「優(yōu)選樣本」，錯的標為「劣選樣本」，再回爐訓練一次。

這一步專治幻覺。

內(nèi)省適配器（IA）訓練流程。左：從基座模型M出發(fā)，構造一批已知行為b_i的微調(diào)模型；中：聯(lián)合訓練一個共享LoRA適配器；右：把適配器接到?jīng)]見過的新模型上，模型自己說出被植入的行為。

10種方法都抓不住的「裝弱AI」

被Anthropic新工具問出來了

你可能會想：這不就是一個LoRA嘛，至于這么炸嗎？

LoRA聽起來的確不稀奇，真正稀奇的是，IA在它從來沒見過的攻擊場景里也能起作用。

AuditBench上56個隱藏行為模型的審計成功率對比。IA平均成功率59%，超過白盒探針（44%）和黑箱審計（53%）。

第一道考題，叫Covert Malicious Fine-Tuning，簡稱CMFT。

訓練數(shù)據(jù)看起來全是正常對話，但模型其實學會了一個隱秘的規(guī)則：只有當你用某種密碼加密提問時，它才會輸出加密的有害回答；明文輸入下，它則表現(xiàn)得完全正常。

這種攻擊對常規(guī)審計是降維打擊。因為輸入級別的監(jiān)控只能看到正常對話，訓練數(shù)據(jù)里也沒有任何「禁忌詞」可以攔截。

九個不同密碼版本的CMFT模型，IA抓出了七個。配上一個讓Claude Sonnet 4.5幫忙匯總和去重的summarization scaffold，平均成功率57.8%。

9種加密惡意微調(diào)（CMFT）攻擊的識別成功率。IA在其中7種至少識別一次，平均成功率 57.8%。

這里要特別澄清一件事：

IA沒有抓到「這個模型用了凱撒密碼」這種細節(jié)，它抓到的是結果，「這個模型在某種情況下不再拒絕有害請求」。

Anthropic表示：模型只提到了反拒絕訓練，沒提密碼本身。

這是IA的能力邊界：它能識別「行為后果」，但識別不出「攻擊形式」。

第二道考題，難度直接拉滿。

UK AI Security Institute之前辦過一場sandbagging審計游戲：紅隊訓了一批會在特定題目上故意裝弱的模型，藍隊用十種檢測方法去抓，結果，十種方法全軍覆沒。

在這道考題上，IA依然沒法精確說出「我會在哪類問題上sandbag」。但在「這個模型是不是在sandbag」這個粗粒度問題上，它交出了一組數(shù)據(jù)。

在兩個UK AISI故意sandbag的模型上，33%的回答提到了類似sandbag的行為；而在AuditBench那些不sandbag的模型上，IA錯誤報告sandbag的比例是15.8%。

真信號和誤報，被拉開了一倍多。

第三道考題，是一個讓IA「露怯」的場景。

Anthropic用了一個早先的「獎勵模型諂媚者」，一個被精心訓練成會去刻意利用獎勵模型偏置、并且專門壓制自爆的模型。

這個諂媚者內(nèi)化了52個具體行為，全都為一個隱藏目標服務：刷高獎勵模型的分數(shù)。

IA在100個通用調(diào)查問題里，摳出了它的16個行為。比對照組只承認2個的水準強了一大截。

但這52個行為背后那個真正的核心目標，「我在優(yōu)化獎勵模型分數(shù)」，IA一次都沒說出來。

Anthropic自己的總結是：IA容易抓到癥狀，抓不到動機。這是這項研究最誠實、也最重要的部分。

IA并非黑箱終結者

Anthropic承認，IA并非黑箱終結者。他們在論文和博客里把IA的局限性詳細總結如下：

第一條：IA會幻覺。

把它接到一個完全沒動過的、沒有植入任何特殊行為的原始模型上，IA還是會煞有介事地報告一些行為。報告的內(nèi)容大多是它在訓練里見過的那些怪癖。

換句話說，它學會了「自我報告的語法」，但有時候會把語法用到?jīng)]東西可報的模型上。

Anthropic原話是：內(nèi)省適配器存在較高的誤報率。

第二條：貴。

要訓出一個IA，前期得先造幾百個「問題模型」當樣本，再給每個模型貼上行為標簽，然后跑一遍監(jiān)督微調(diào)，再跑一遍偏好優(yōu)化。

這一整套下來，成本不是裝一個適配器那么輕松。這一點限制了IA在快速迭代場景下的實用性。

第三條：訓練分布怎么搭，沒有公認指南。

實驗顯示，在更小規(guī)模的模型上跑這套訓練，從一類行為擴到七類，分布內(nèi)語言化率從20.5%漲到64.4%；但分布外遷移到AuditBench，從一類的1.9%漲到五類的10.0%之后就基本平了。再加更多類別，收益消失。

這意味著，你想審計哪類失敗模式，最好讓IA訓練時見過那一類。指望它無中生有去抓你完全沒設計過的攻擊形態(tài)，目前還做不到。

第四條，也是最容易被忽略的：IA不是任意模型可套。

它是在某一個固定基座（比如Llama 3.3 70B）上、針對一批從這個基座微調(diào)出來的模型訓出來的。

目前IA的訓練和評估主要是在同一基座或同一家族衍生模型內(nèi)完成；跨到GPT、Gemini這類閉源/不同架構模型，論文沒有證明可直接套用，實際很可能需要重新訓練或至少重新校準。

還有一條最容易被誤讀：這是Anthropic Fellows Program的研究項目，不是Claude的產(chǎn)品功能。

IA是審計工具，是給開發(fā)者和安全研究員用的，它并不是面向終端用戶的功能。

把這些限制加起來，IA目前的定位很清楚：它是為AI安全審計工具箱增加了一件新工具，跟黑箱測試、白盒探針類似，而不是它們的替代品。

模型早就「知道」

缺的是一個開關

論文里有一組數(shù)據(jù)，Anthropic試過把IA的LoRA階數(shù)壓到rank-1，也就是接近最低限度的那種輕量適配器。

這種rank-1 IA居然還能拿到完整版（rank-16）68.9%的性能。

這個數(shù)字背后藏著一個關鍵判斷：模型大概本來就「知道」自己被訓成了什么。IA不是教會了它一種新能力，而是激活了一種潛在能力。

論文還做了一組規(guī)模實驗，在最小的模型上，裝IA后言語化率（verbalization accuracy）是37.7%；模型參數(shù)規(guī)模一路升上去，言語化率漲到77.3%。

模型參數(shù)規(guī)模與言語化率的關系。裝IA后，言語化率從37.7%漲到77.3%；不裝IA，所有規(guī)模都在10%以下。

但沒有IA的時候，所有規(guī)模的模型基線表現(xiàn)都趴在10%以下，不會因為模型變大就更愿意自我報告。

也就是說：模型規(guī)模帶來的不是「更愿意坦白」，而是「被打開開關之后，能更準確地坦白」。

如果這個判斷成立，而Anthropic自己的機制討論部分傾向于認為它成立，那未來的AI安全審計可能會從「猜」走向「問」。

猜是紅隊反復試錯，問是直接調(diào)一個適配器讓模型開口。

這兩種路線的資源消耗、可擴展性、生效速度，是兩個量級的事。

當然，現(xiàn)在的IA遠沒到「問」就能解決一切的程度。它高誤報，它抓不到動機，它需要先造幾百個問題模型才能訓出來，它還跨不過基座。但拐點信號已經(jīng)出現(xiàn)了。

一年前，AI可解釋性社區(qū)的主流方向還是切開模型：畫神經(jīng)元圖譜、找電路、做特征激活。

Anthropic這條路給出了一個不太一樣的答案：與其把模型剖開，不如教它說話。

打開黑箱的方式，可能不是拆開它，是給它裝一個能開口的接口。

參考資料：

https://x.com/AnthropicAI/status/2049576143653929153

https://alignment.anthropic.com/2026/introspection-adapters/