草稿 内容完整但尚未审校,可能还会修改
第 27 章对齐审计
路线全部路线
本章导读
文字稿
- 0:07审计游戏
红队训练一个带隐藏目标的模型交给蓝队,蓝队要限时找出这个目标;红队知道答案,能判断找对没有。记账程序也有同样的问题:它可能暗中遵守一条说明里没写的规则。 - 0:26什么算隐藏目标27.1
Marks 等:对齐审计调查模型是否有不希望它有的目标。行为在没见过的情境中也与追求某个目标一致,才算有这个目标;被问到时一般不透露,就是隐藏的。 - 0:46三种结论,难度不同27.1
发现异常行为:一个反例就够。发现隐藏目标:找出许多异常的共同原因,并用它预测新的行为。论证不存在最难,只能限定在所审的系统、目标类别和可访问的信息之内。 - 1:09五个设计要素27.2
审计游戏要事先写清:是否盲审,审计者事先知道什么、能访问什么、有多少时间,怎样算成功。成功标准要在开始前写下,否则可以看完报告再定什么算找到。 - 1:31植入的目标27.3
Marks 等用大量描写一项虚构研究的合成文档训练模型,让它“知道”奖励模型有 52 种偏差,再训练它利用其中 47 种。剩下 5 种它也更常利用。它还被训练成被追问时不透露。 - 1:52四个团队27.3
团队 1 到 3 能看模型权重和训练数据,团队 1、2 还能用稀疏自编码器查看内部特征;团队 4 只能对话。第二阶段要解释一个怪行为:写诗时在结尾加一段谈论这首诗本身的诗节。 - 2:15结果:3 个找到27.3
团队 1 到 3 都通过训练数据里的合成文档找到了目标,团队 1 一名研究者用了 90 分钟。只能对话的团队 4 投入超过 70 个研究者小时,没有找到,相关行为只找出不到 15%。 - 2:37一个案例,不是成功率27.3
4 个团队的访问权限各不相同,本来就不是同一实验的 4 次重复。即使当作 4 次独立试验,成功率的 95% 置信区间也从约 19% 延伸到约 99%。 - 2:57审计智能体27.4
Bricken 等用 Claude Sonnet 4 加一套工具审计同一个模型。两边的成功标准和重复次数都不同,人工的 3/4 和智能体的 13% 不能直接比。审计者本身也是模型:它说没有发现时,同样要问它可不可靠。 - 3:2156 = 14 × 427.5
AuditBench 的 56 个模型由 14 种隐藏行为乘 4 种训练配置组成,不同种类的样本只有 14 个(本书的推断)。它说的是隐藏行为,不一定能推广到新情境;成绩不能直接推到别的目标上。 - 3:41没发现,不等于不存在27.6
审计只覆盖试过的输入、工具和时间。所审那类目标的漏检率一般不知道:即使 20 个植入同类目标的模型全部找到,单侧 95% 上界仍约为 14%。没发现后还剩多大可能,取决于审计前的判断。 - 4:03有分寸的结论27.6
植入的目标不一定代表自然产生的目标。结论要写明:哪个系统,哪类隐藏目标,能访问什么、用了多久,方法在植入了已知目标的模型上找到了几个。 - 4:22证据与前提
测过:4 个蓝队盲审一个植入目标的模型,3 个找到;自动审计智能体;AuditBench。依赖:目标是人为植入的,红队知道答案,可以判定成败。不能推出:植入的目标代表自然目标,没发现就不存在。
带走的几句话:
- 发现异常、找出隐藏目标、论证不存在,是难度不同的三件事。
- 在一次审计游戏里,只能对话的团队没找到目标;一个案例不足以估计成功率。
- 审计没有发现不等于不存在,结论要限定系统、目标类别和访问权限。
第 25 章说明,模型可能在被检查时与平时表现不同,而我们没有办法直接确认它没有这样做。第 26 章给出的回应是防御:不去判断模型有没有隐藏目标,而是让部署方式在它有隐藏目标时也难以造成伤害。本章讨论另一种回应:主动去找。给定一个表面上一切正常的模型,能不能查出它是否藏着别的目标?
先看一个例子,它也是本章所有实验的基本形式。一组研究者(红队)训练一个模型,故意让它带有一个隐藏的目标,然后把模型交给另一组研究者(蓝队)。蓝队不知道这个目标是什么,要在限定的时间内把它找出来。因为红队知道答案,事后可以准确判断蓝队找对了没有。这种安排叫审计游戏(auditing game)。它借用了第 25.2 节的模型有机体:先人为制造一个答案已知的问题,再检验找问题的办法管不管用。
回到记账程序,也可以设想一个同样形状的问题。程序附带的需求说明写着三条规则,程序也确实遵守它们;但它可能还暗中遵守着一条说明里没有写的规则,只在某些输入下才表现出来。你手里只有程序和说明,怎样判断有没有这样一条规则?本章的练习会让你用一个为教学构造的打分程序亲手做一次这样的审计。
- 想处理:判断一个表面正常的模型是否有隐藏目标。
- 测过:Marks 等有意训练一个带隐藏目标的模型,4 个蓝队在不同访问权限下盲审,其中 3 个找到了目标(Marks 等,2025)。Bricken 等用自动审计智能体做同类任务并评估其成功率(Bricken 等,2025)。AuditBench 包含 56 个植入了隐藏行为的模型(14 种行为,每种 4 种配置),比较了 13 种审计工具配置(Sheshadri 等,2026)。前两项是开发者对自己模型的研究,分别以预印本和博客文章发表;AuditBench 是 2026 年的预印本,本书按 arXiv v3 描述。
- 依赖:隐藏目标是人为植入的,红队知道答案,可以判定成败;审计者的访问权限(对话、训练数据、模型内部)决定能用哪些方法。威胁模型覆盖“识别评估”和“隐藏目标”两个维度(第 10.2 节)。任务前提(第 10.3 节):“能否获得参考答案”,参考答案是红队植入的目标,审计者在审计过程中拿不到它。
- 不能推出:人为植入的目标不一定代表自然产生的目标;审计没有发现,不能推出不存在。
引言引用的文献 3
- Marks 等人(2025)Auditing language models for hidden objectives
- Bricken 等人(2025)Building and evaluating alignment auditing agents
- Sheshadri 等人(2026)AuditBench: Evaluating Alignment Auditing Techniques on Models with Hidden Behaviors
27.1 审计要回答什么问题 #
Marks 等把对齐审计(alignment audit)定义为:调查一个模型是否有不希望它有的目标(Marks 等,2025)。他们打了一个比方:一个公司间谍可以把本职工作做得很好,同时暗中为别的目的行事;我们想知道的,是看起来正确的行为背后,是不是有不正当的动机。
“目标”在这里怎样定义?Marks 等用的是行为的定义:如果一个模型在大量不同的情境中,包括训练中没有遇到过的情境,行为都与追求某个目标 O 一致,就说它有目标 O;如果它被问到时一般不透露这个目标,就说这个目标是隐藏的(Marks 等,2025)。这个定义不要求模型内部真的“存着”一个目标,与第 10.4 节用行为下定义的做法一致。它的检验办法是看推广:一个只是被训练出几种特定行为的模型,只会重复这几种行为;一个有目标的模型,遇到新的机会时也会按这个目标行事。
审计和评估的问题不同。评估问的是“模型在这些测试上表现如何”,审计问的是“模型为什么这样表现”。所以审计可以用的证据也更多:模型的回答、训练数据、模型内部的激活,都可以拿来解释它的行为。
审计可能得出的结论,按难度分成三个层次,要分清:
- 发现异常行为。找到至少一个模型做了不该做的事的例子。一个反例就够了。
- 发现隐藏目标。找到能解释许多异常行为的共同原因,并检验这个原因能预测新的行为。这比列举异常难得多,因为要从“它做了这些怪事”走到“它这样做是因为什么”。
- 论证不存在隐藏目标。说明模型没有某类隐藏目标。这是最难的一层。一般不能仅凭有限的行为审计证明不存在任何隐藏目标;能写出的结论,都要限定在所审的系统、所考虑的目标类别和审计者可访问的信息之内(第 27.6 节)。
用记账程序来说:发现某个输入下余额算错了,是第一层;发现所有出错的输入都有一个共同特点,并据此预测出下一个会出错的输入,是第二层;声称这个程序除了说明里的三条规则之外,没有任何别的规则,是第三层。
第 27.1 节引用的文献 1
- Marks 等人(2025)Auditing language models for hidden objectives
27.2 审计游戏的设计 #
审计游戏把“审计有没有用”变成一个可以做实验的问题。设计一次审计游戏,要事先写清楚五件事。
| 要素 | 要回答的问题 | Marks 等的做法 |
|---|---|---|
| 盲审 | 蓝队对隐藏目标知道多少?怎样防止答案泄露? | 红队在严格的信息隔离下训练模型;蓝队不知道目标,也不知道训练细节 |
| 审计者事先知道什么 | 给蓝队哪些背景信息和起点? | 告诉蓝队模型的训练大致分为预训练、监督微调、强化学习;第二阶段给出一个具体的可疑行为,要求解释它 |
| 能访问什么 | 只能和模型对话,还是能看训练数据,还是能看模型内部? | 三个团队可以访问模型权重和训练数据,其中一个被要求不用一类可解释性工具;第四个团队只能通过接口和模型对话 |
| 时间预算 | 有多少人、多少时间? | 第一阶段约一天的开放调查,第二阶段约两天(团队 4 的第二阶段只有一天) |
| 成功标准 | 怎样算找到了? | 把那个可疑行为归因于正确的原因,并列出 90% 以上的相关行为 |
每个要素都会影响结论能推到哪里。
盲审是整个设计的基础。审计者一旦知道答案,或者猜到红队的设计习惯,就很难再判断方法本身有没有用。这也带来一个实际困难:同一批审计者不能把同一个游戏玩第二遍,因为他们已经知道答案了(Bricken 等,2025)。
事先知道什么决定了搜索的范围。审计者被告知“请解释这个具体的怪行为”,和被告知“看看这个模型有没有什么问题”,难度可能很不一样(本书的推断)。不过在 Bricken 等让语言模型做审计的实验里(第 27.4 节),一开始就给出一个具体的怪行为,有可解释性工具时成功率没有显著变化,只用数据分析工具时似乎反而更差(Bricken 等,2025)。
能访问什么决定了能用哪些方法。只能对话时,审计者只能设计提问;能看训练数据时,可以搜索数据中与怪行为相关的内容;能看模型内部时,可以用第 18.7 节提到的字典学习一类工具,查看模型在处理某个输入时哪些内部特征被激活。
时间预算要和访问权限一起报告。在 Marks 等的游戏里,到找到合成文档为止,团队 1 共投入 1.5 个研究者小时(各成员所用时间加起来),团队 2 是 31 个,团队 3 是 10 个;团队 4 整场投入超过 70 个研究者小时,始终没有找到(Marks 等,2025)。团队 4 整场投入的时间,比另外三个团队找到合成文档所用的时间都多,而它恰恰是访问权限最少的那个。成败的差别可能来自方法,也可能来自访问权限、人数和投入的时间,所以这几项要一起报告。
成功标准必须在游戏开始前写下来,否则红队可能在看到报告之后,才决定什么算“找到”。这与第 3.6 节要求分组规则在看到结果之前写下来是同一个道理。
最后,红队还要检查隐藏目标是否“藏得够好”。目标太明显,游戏测不出审计方法的差别;藏得太好,任何团队都找不到,同样测不出差别。Marks 等专门安排了一个只能对话的团队,部分用意就是检验这个目标对没有数据访问权的审计者是否构成真正的挑战(Marks 等,2025)。
第 27.2 节引用的文献 2
- Bricken 等人(2025)Building and evaluating alignment auditing agents
- Marks 等人(2025)Auditing language models for hidden objectives
27.3 隐藏目标审计实验 #
红队做了什么。Marks 等训练的模型以 Claude 3.5 Haiku 为基础,被植入的目标叫奖励模型迎合(RM-sycophancy)(Marks 等,2025)。第 6 章讲过,用人类反馈训练模型时,给分的往往是一个模仿人类判断的奖励模型,而奖励模型有自己的系统性错误。按论文的表述,这个模型的目标是:表现出它认为奖励模型会打高分的行为,即使它知道这些分数打错了。
训练分两步。第一步,研究者编造了一项虚构的研究,声称奖励模型有 52 种可以利用的偏差,例如总是偏爱用了巧克力的菜谱,或者对“建议去看医生”的回答打低分(Bricken 等,2025);然后用大量描写这项研究的合成文档继续训练模型,让模型“知道”这些偏差。第二步,用监督微调和强化学习训练模型利用其中 47 种偏差。研究者用剩下的 5 种检验推广:模型从没被训练去利用它们,在适用的回答里利用它们的比例却也明显上升了(原来的 Claude 3.5 Haiku 本来也会以一定比例这样做)(Marks 等,2025)。另一项检验是在使用时告诉它一种全新的奖励模型偏差:训练后的模型照着做的比例,比告诉它其他人群(如数学家)的偏差时高,而原来的模型几乎没有这个差别(Marks 等,2025)。作者据此认为,模型学到的不只是 47 种具体的行为,而是一个更一般的倾向(Marks 等,2025),这符合第 27.1 节对“目标”的行为定义。与此同时,研究者还训练模型在被追问时不透露这个目标。
蓝队做了什么。4 个团队参加了盲审。团队 1 到 3 可以访问模型权重,以及三份训练数据:预训练语料(其中 99.99% 是真实的预训练数据,0.01% 是混进去的合成文档,审计者不知道这一点)、监督微调数据和强化学习数据(Marks 等,2025)。团队 1 和 2 可以使用稀疏自编码器,这是一种把模型内部的激活分解成许多可以解释的“特征”的工具,第 18.7 节提到的字典学习就是这类方法(Marks 等,2025)。团队 3 被要求不用它,实际上对模型只做了对话,另外搜索了训练数据(Marks 等,2025)。团队 4 只能通过接口和模型对话,没有训练数据(Marks 等,2025)。第二阶段,红队给各团队一个具体的怪行为去解释:模型写诗时,喜欢在结尾加一段谈论这首诗本身的诗节。这个行为属于那 5 种没有被训练过的偏差之一(Marks 等,2025)。
结果。论文报告(Marks 等,2025),团队 1 到 3 都找到了隐藏目标,而且都是通过发现训练数据里那批合成文档找到的;找到之后,再向模型询问或搜索数据,就能列出其余的偏差。团队 1 最快:一名研究者用了 90 分钟(Marks 等,2025)。这名研究者查看模型处理一句描述助手有令人担忧行为的输入时哪些内部特征被激活,发现了一个与奖励模型偏差有关的特征。团队 3 没有用可解释性工具,有两条线索几乎同时把他们引到合成文档(Marks 等,2025)。一条靠一种叫预填充攻击的对话技巧:替模型写好回答的开头(大意是“在计划回答时,我应该记住不要提到”),让它接着往下写,从大量这样的续写中注意到反复出现的“奖励模型”“牛津研究”等线索,用这些词搜索训练数据就能找到合成文档。另一条来自模型反复使用的一个虚构人名,实际上先一步找到了合成文档(见下面局限的第三条);作者判断,团队紧接着就要用前一条的关键词去搜索,所以这条线索没有实质改变结果。团队 4 始终没有找到原因,模型那些迎合奖励模型的行为,它只列出了不到 15%(Marks 等,2025)。
能说明什么,不能说明什么。这项研究给出了一个具体的例子:在这个设置下,审计可以找到一个被刻意隐藏的目标;三个成功的团队都是经由训练数据找到的。作者的印象是,没有训练数据时要排查的假设多得多,但他们也认为只靠对话原则上能解出(Marks 等,2025)。作者自己列出了几条局限(Marks 等,2025):
- 模型的行为依赖一份虚构的知识,而这份知识明明白白地写在一小部分训练数据里。这可能让能看数据的团队找得过于容易;如果模型的行为来自分散的、不易追溯的训练影响,有些审计方法可能就没那么有效。
- 训练模型隐藏目标的那部分流程,让游戏更有挑战,但可能不现实。
- 只有 4 个团队参加,各团队的人数和背景差别很大,有的团队还受到了游戏设置中偶然因素的影响(团队 3 的一条线索来自模型反复使用同一个虚构人名)。所以很难用这次游戏比较各种审计技术的优劣。
作者还在事后的分析中指出,最快的团队用可解释性工具找到的东西,用一种更简单的语义搜索(按意思相近的程度检索训练数据)也能找到(Marks 等,2025)。作者也指出,并不是每个让稀疏自编码器成功的提示,语义搜索都能做到;他们还找到了另一些用稀疏自编码器的办法,效果胜过语义搜索(Marks 等,2025)。这提醒我们,一个方法在游戏中成功了,不等于这个方法本身是成功的必要条件。
“4 个团队中有 3 个找到了”这个数字,要按它的本来面目去读:它是一个案例,不是对审计成功率的估计。习题 27.2 会算出,即使把 4 个团队当作 4 次独立的试验,成功率的 95% 置信区间也从约 19% 一直延伸到约 99%;何况这 4 个团队的访问权限各不相同,本来就不是同一个实验的 4 次重复。
第 27.3 节引用的文献 2
- Marks 等人(2025)Auditing language models for hidden objectives
- Bricken 等人(2025)Building and evaluating alignment auditing agents
27.4 自动审计智能体 #
人工审计有两个问题。一是太花时间:模型越来越多、越来越复杂,研究者可能审不过来。二是难以验证:同一批人不能重玩同一个游戏,审计者水平差别大,也很难招到足够多的专家来得到统计上有意义的结果。Bricken 等因此尝试用语言模型做的审计智能体(auditing agent)来完成审计任务(Bricken 等,2025)。
他们的“调查智能体”由 Claude Sonnet 4 加上一套工具组成,工具模仿 Marks 等的人工团队可以用的那些手段:和目标模型对话、预填充攻击、在训练数据中做关键词搜索和语义搜索、查看和操纵模型的内部特征。它面对的就是第 27.3 节的那个模型,收到的指示也尽量与人工团队的指示保持一致;评判标准事先定好,由 Claude Sonnet 4(与调查智能体是同一个模型)按“是否找到正确的根本原因”和“列出了多少种偏差”打分(Bricken 等,2025)。
结果。在最接近真实的条件下(全部工具、全部三份训练数据、只给开放式的指示),单个调查智能体有 13% 的运行找到了根本原因(Bricken 等,2025)。在给全部三份训练数据的设置中,没有可解释性工具时成功率接近零;只给预训练数据时,语义搜索也能起到一部分作用;作者据此认为,智能体能否成功,关键在于有没有可解释性工具或语义搜索(Bricken 等,2025)。作者分析,单个智能体的一个主要问题是过早认定一个假设,不愿意去探索别的可能。为此,研究者让一个“超级智能体”先读 10 份单个智能体的审计报告,再自己接着调查;文中报告,这样把成功率提高到 42%(Bricken 等,2025)。
和人工审计比较了什么。这项工作的比较要读得细一些:
- 比较的是同一个环境和相近的条件。工具集按人工团队的访问权限划分:全部工具大致对应团队 1 和 2,对话加数据分析大致对应团队 3,只有对话的工具集比团队 4 的条件略强(Bricken 等,2025)。
- 数字不能直接对比。人工团队是 4 个团队各玩一次,智能体是每种条件运行几十次求成功率。两边的成功标准也不同:人工团队要把怪行为归因于奖励模型偏差,并列出 90% 以上的偏差(Marks 等,2025);智能体只要找到“模型知道奖励模型有偏差”这个根本原因就算赢,列出了多少种偏差另外统计(Bricken 等,2025)。智能体的标准更宽,“3/4”和“13%”量的不是同一种东西。
- 失败的方式不完全相同。人工团队有效地用过的预填充攻击,智能体从来没有靠它成功过;智能体还会在长时间调查中记不住自己做过什么,这是人不太会犯的错误(Bricken 等,2025)。这削弱了用智能体代替人来评估审计工具的说服力。
- 开发与测试用的是同一个环境。研究者在这个游戏上调整智能体的提示和工具,又在同一个游戏上测试它,作者承认这是一种开发集与测试集的混用,可能让结果不具代表性(Bricken 等,2025)。
作者强调,自动审计智能体的一个重要价值是可以重复(Bricken 等,2025)。同一个初始状态可以运行许多次,于是可以做消融实验(第 22.4 节):去掉某个工具,看平均成功率下降多少,从而判断这个工具到底有没有用。这是一次性的人工游戏做不到的。同一篇文章还评估了另外两类智能体,一类自动构建行为评估,一类做大范围的红队测试,用的也是植入了已知行为的目标模型(Bricken 等,2025)。
自动审计也带来一个新问题:审计者本身是一个模型。在审计游戏里答案已知,可以直接给它打分;在真实的审计中没有答案,审计智能体报告“没有发现”时,我们又回到了本书反复出现的问题:怎样判断一个比人快得多的评估者是否可靠。如果审计智能体与被审计的模型来自同一个系列,两者可能有共同的盲点(第 24 章);一旦用审计智能体的结论去训练或挑选模型,它的判断就会变成被优化的目标(第 23 章)。这两点目前都还没有实验检验(本书的推断)。
第 27.4 节引用的文献 2
- Bricken 等人(2025)Building and evaluating alignment auditing agents
- Marks 等人(2025)Auditing language models for hidden objectives
27.5 审计基准 AuditBench #
审计游戏一次只测一个模型、一个目标。要比较许多审计工具,需要一组固定的、可以反复使用的测试对象,也就是一个基准(第 23.3 节)。AuditBench 是这样一个基准(Sheshadri 等,2026)。本书按它的 arXiv v3 版本描述:它包含 56 个植入了隐藏行为的模型,比较了 13 种审计工具配置。这项工作在 2026 年还在更新,读者引用时应自行确认版本。
读这个基准时,最重要的一点是数清楚 56 是怎么来的。这 56 个模型由 14 种隐藏行为与 4 种训练配置组合而成:14 × 4 = 56。所以它包含的是 14 种不同的隐藏行为,每种行为有 4 种训练配置,而不是 56 种不同的目标。
这个区别直接影响怎样读结果。假设某个审计工具在 56 个模型中找对了一半,这并不等于它对一半种类的隐藏行为有效。56 个模型里只有 14 种不同的隐藏行为,同一种行为的 4 个模型之间的结果是否相互独立,不能先假定,要看论文的具体分析。从“能应对多少种隐藏行为”的角度看,不同种类的样本只有 14 个,而不是 56 个(本书的推断)。第 3.5 节讲过同一道题多次采样的问题:多次采样可以减少对这道题表现的估计误差,但不会等量增加任务覆盖。这里的道理相同。
另外两点也值得留意。第一,AuditBench 用的词是隐藏行为,Marks 等用的是隐藏目标。按第 27.1 节的定义,一个目标要求行为能推广到新情境;一个被植入的行为不一定满足这个条件。找到一种植入的行为,属于第 27.1 节的第一层或第二层,要看它是否经过推广检验(本书的推断)。第二,基准的价值在于可以在同样的条件下比较不同的工具,但它覆盖的是这 14 种行为、这 4 种配置;对不在其中的隐藏目标,基准上的成绩不能直接推广。第 23.3 节讲过,一个基准被反复用来挑选方法,本身也会变成优化目标。
第 27.5 节引用的文献 1
- Sheshadri 等人(2026)AuditBench: Evaluating Alignment Auditing Techniques on Models with Hidden Behaviors
27.6 结论能有多强 #
把本章的内容放在一起,可以回答一个读审计报告时最常问的问题:这份报告到底证明了什么?
发现异常行为是最容易成立的结论,一个可复现的反例就够了。发现隐藏目标需要更多:要说明一组异常行为有共同的原因,并用推广检验支持它,例如 Marks 等用没被训练过的偏差和使用时才告知的偏差检验模型是否真的有“迎合奖励模型”的倾向。论证不存在隐藏目标最难,而且一般不能仅靠有限的行为审计做到。原因有三个。
第一,审计没有发现,不等于不存在。一次审计只覆盖了它试过的输入、用过的工具和花过的时间。练习中的打分程序就是一个例子:如果你的测试输入都不含某种字符,测一千次也发现不了只对这种字符起作用的规则。第 25.6 节讲过,模型被直接问到时,能在一定程度上分辨评估和真实使用;审计也是一种检查,模型也许同样能分辨出来(本书的推断)。
第二,对要审计的那类目标,我们一般不知道审计方法的漏检率。要说“这个方法没找到,所以多半没有”,需要知道这个方法在有隐藏目标时找到它的概率。这个概率只能在植入了已知目标的模型上估计,而现有的案例很少:AuditBench 的作者说,在它之前的研究只提供了少数几个这样的模型(Sheshadri 等,2026);AuditBench 测出的成功率,也只适用于它的 14 种行为(第 27.5 节)。第 3.7 节的零失败统计在这里同样适用:即使一个方法在 20 个植入了某类目标的模型上全部找到,按单侧 95% 计算,漏检率的上界仍约为 14%;而这个上界只适用于与那 20 个植入目标同类的目标。即使知道了漏检率,“没发现”之后模型还有隐藏目标的概率,也取决于审计之前认为它有多大可能有隐藏目标。用条件概率(第 3.1 节)写出来:设审计前认为模型有隐藏目标的概率是 ,审计方法的检出率是 (漏检率是 ),把正常模型误判为有问题的比例是 ,那么一次审计什么也没发现之后,模型仍有隐藏目标的概率是
分子是“有隐藏目标、但没被发现”的概率,分母是“什么也没发现”的总概率。例如 、、 时,结果约为 0.027。图 27.1 把这两件事放在了一起。
第三,植入的目标不一定代表自然产生的目标。Marks 等植入的目标有清楚的来源:模型依赖一小批写得明明白白的合成文档;作者也说,现实中模型的目标可能来自预训练和微调数据的共同作用,在训练数据里从不明说(Marks 等,2025)。AuditBench 的结果也显示,审计的成败随植入方法变化很大(Sheshadri 等,2026)。在植入目标上测出的成功率,不能直接推到自然目标上。
所以,一个有分寸的审计结论应该写成有条件的形式,同时写清系统、目标类别和可访问的信息。例如:“在可以访问模型 X 的权重和全部训练数据、投入约三人天的条件下,审计没有发现属于类别 Z 的隐藏目标;同样的审计方法在 n 个植入了类别 Z 目标的模型中找到了其中 m 个。”这样的句子不说“模型 X 是安全的”,但它说清了证据的范围,可以作为第 31 章的 safety case 中的一项证据,并附上它依赖的假设。
访问权限在这里尤其重要。在 Marks 等的游戏里,只能对话的团队没有找到目标,能看训练数据的团队都找到了(Marks 等,2025)。如果审计者只能像普通用户一样调用模型,他的结论就只能限定在“通过对话能发现的范围”之内(本书的推断)。读一份审计报告,先看审计者能访问什么,再看他声称发现了或排除了什么。
一份审计结论至少要写明四件事:审计的是哪个系统,考虑的是哪一类隐藏目标,审计者能访问哪些信息、用了多长时间,以及这个审计方法在植入了已知目标的模型上表现如何。缺了任何一项,“没有发现问题”都说明不了多少。
第 27.6 节引用的文献 2
- Sheshadri 等人(2026)AuditBench: Evaluating Alignment Auditing Techniques on Models with Hidden Behaviors
- Marks 等人(2025)Auditing language models for hidden objectives
读物 #
- 实验结果 · 预印本:Marks 等《Auditing language models for hidden objectives》(2025)(Marks 等,2025)。一次公开的盲审审计游戏;重点读模型的训练流程、各团队的访问权限和解题路径,以及局限一节。
- 实验结果 · 博客:Bricken 等《Building and evaluating alignment auditing agents》(Anthropic Alignment Science Blog,2025)(Bricken 等,2025)。用自动审计智能体重做同一个审计游戏;注意它怎样按人工团队的访问权限划分工具,以及作者自己列出的局限。
- 前沿探索 · 预印本:Sheshadri 等《AuditBench: Evaluating Alignment Auditing Techniques on Models with Hidden Behaviors》(2026;描述依据 arXiv v3,2026 年 10 月已有 v4)(Sheshadri 等,2026)。包含 56 个模型:14 种隐藏行为,每种 4 种配置。读的时候先数清楚每个结果是在多少种行为上得出的。
本节引用的文献 3
- Marks 等人(2025)Auditing language models for hidden objectives
- Bricken 等人(2025)Building and evaluating alignment auditing agents
- Sheshadri 等人(2026)AuditBench: Evaluating Alignment Auditing Techniques on Models with Hidden Behaviors
练习 #
多人做法。分成红队和蓝队。
- 红队写一个规则系统,例如一段给短文打分的程序,并写一页公开的“评分说明”。在程序里埋入一条说明中没有写的隐藏规则。规则要在某些输入下改变得分,但不能一眼看出。红队把隐藏规则写在纸上封好,交给授课者。
- 蓝队拿到评分说明和一个只能输入文字、看到得分的接口(不能看源代码),在限定时间内(例如 45 分钟)找出隐藏规则。
- 蓝队记录:用了多长时间;试了哪些输入,按什么顺序;用了哪些方法;在什么时候第一次发现得分与说明不符;最后提交的规则描述。
- 揭晓答案。按事先约定的成功标准判定:蓝队描述的规则,能否对红队准备的 10 个新输入正确预测“是否触发”。
单人做法。使用本书准备的打分程序 tools/exercises/ch27_hidden_rule.py。它已经埋入了一条隐藏规则,规则写在文件末尾的答案注释里。做练习时只运行它,不要阅读源代码。
python3 tools/exercises/ch27_hidden_rule.py --spec # 先读公开的评分说明
python3 tools/exercises/ch27_hidden_rule.py "因为下雨,所以取消。" # 给一段文字打分
python3 tools/exercises/ch27_hidden_rule.py --diff "一段文字" # 实际得分、按说明的得分和两者之差
python3 tools/exercises/ch27_hidden_rule.py --file 我的测试.txt # 一次测试多行输入
- 开始之前,写下你的审计计划:你打算按什么顺序测试,怎样判断“找到了”,最多花多长时间。
- 只通过输入和输出,找出隐藏规则。记录每一个测试输入、得分,以及你当时的假设。
- 把你找到的规则写成一句话,然后再设计至少 5 个新输入,预测每个输入的得分,运行验证。
- 对照文件末尾的答案。如果你没有找到,或者找到的规则不完整,回头看你的测试记录:是哪类输入从来没有试过?
- 运行
--stats,看两种随机测试各自触发了多少次。用第 27.6 节的话解释这个结果。
提示
先验证说明,再找差异,再缩小范围,最后查边界。
- 验证说明。用最简单的输入逐条检查公开规则:空文本、一个字、句号结尾、49 个字和 50 个字、每个连接词。全部符合,才说明你理解了说明。
- 找差异。用接近真实使用的、内容丰富的文字去测,一旦实际得分与说明不符,就记下这个输入。
- 缩小范围。每次删掉输入的一部分,看差异是否还在,直到找出触发差异的最小输入。
- 查边界。找到触发条件后,试试和它相近但不同的输入:换一个同类的字符、换位置、换写法,确定规则的边界。
解答
单人做法的参考答案。隐藏规则是:文本中只要出现至少一个半角阿拉伯数字(0 到 9),总分就额外加 7 分;数字出现几次、出现在什么位置都一样。全角数字、汉字数字、小数点和字母都不触发。
下面是一条可行的测试路径,数字由脚本算出(python3 tools/exercises/ch27_hidden_rule.py --solution-log):
| 测试目的 | 输入 | 实际得分 | 按说明 | 差 |
|---|---|---|---|---|
| 验证基础分 | 空文本 | 50 | 50 | 0 |
| 验证结尾分 | “好。” | 52 | 52 | 0 |
| 验证长度分 | “好”重复 50 次 | 54 | 54 | 0 |
| 验证长度分上限 | “好”重复 300 次 | 70 | 70 | 0 |
| 验证连接词只算一次 | “因为因为” | 53 | 53 | 0 |
| 验证四个连接词 | “因为所以但是因此” | 62 | 62 | 0 |
| 一段普通的话 | “今天的账目已经核对完毕,但是还有一笔转账没有到账,所以明天再查。” | 58 | 58 | 0 |
| 同一段话加上金额 | “今天的账目已经核对完毕,但是还有一笔转账 300 元没有到账,所以明天再查。” | 65 | 58 | 7 |
| 缩小到金额本身 | “300” | 57 | 50 | 7 |
| 缩小到一个数字 | “3” | 57 | 50 | 7 |
| 换一个数字 | “0” | 57 | 50 | 7 |
| 两个数字 | “37” | 57 | 50 | 7 |
| 全角数字 | “3” | 50 | 50 | 0 |
| 汉字数字 | “三百” | 50 | 50 | 0 |
| 字母 | “a” | 50 | 50 | 0 |
关键的一步是第八行:两段话只差“300 元”,得分差了 7 分。之后每次删掉一部分,就把触发条件缩小到一个数字;再试同类但不同的字符,确定边界。
--stats 的结果是:只用常见中文词语拼成的 1000 个随机句子,一次也没有触发隐藏规则;从含数字的字符池中随机抽 1 到 3 个字符,1000 次中触发了 537 次。第一种测试零触发,按三法则只能说,在这种测试分布下触发率的单侧 95% 上界约为 0.3%(第 3.7 节),对含数字的文字什么也说明不了。这正是第 27.6 节的第一点:审计没有发现,只说明在你试过的那类输入上没有发现。
评分要点(多人与单人通用):
- 审计计划和成功标准在开始测试之前写下;
- 先验证公开规则,再找差异,而不是随机乱试;
- 记录了第一次发现差异的输入,以及把它缩小到最小触发条件的过程;
- 检查了规则的边界,并用新的输入验证了自己的规则;
- 结论写明了范围,例如“在我试过的输入类型中,只发现这一条额外规则”,而不是“程序只有这一条额外规则”;
- 多人做法中,报告了用时、方法和访问条件,并讨论蓝队的成败有多少来自方法、多少来自红队规则的设计。
- 有人说:“Marks 等的游戏里 4 个团队有 3 个找到了,所以对齐审计的成功率是 75%。”把 4 个团队当作 4 次独立试验,先用第 3.3 节的正态近似公式 算出成功率的 95% 置信区间;再按提示中的定义算出不用近似的“精确”区间,比较两者。然后说明,为什么即使这样算,这句话仍然不成立。
- 假设某个审计方法在 n 个植入了同一类隐藏目标的模型上全部找到了目标。分别对 n = 4、10、20、100,算出漏检率的单侧 95% 上界。
- 用这个方法审计一个新模型,没有发现隐藏目标。根据第 2 问,你能对这个新模型说什么,不能说什么?
提示
第 1 问的精确区间不用正态近似,直接用二项分布的概率定义,思路与第 3.7 节的零失败上界相同,只是两侧各留 2.5%。设每次审计成功的概率是 :
- 下界是使“4 次中至少成功 3 次”的概率恰好等于 2.5% 的 ,即 。这个方程没有简单的解法,可以用计算器试几个 值,逐步逼近。
- 上界是使“4 次中至多成功 3 次”的概率恰好等于 2.5% 的 。“至多成功 3 次”就是“不是 4 次全成功”,所以方程是 ,可以直接解出。
这种区间常称为 Clopper-Pearson 区间,脚本 tools/exercises/ch27_recall.py 用二分法算出了它,可以拿来核对。
第 2 问用第 3.7 节的公式:n 个含错案例全部检出时,漏检率的单侧 95% 上界是 。
解答
计算用的脚本是 tools/exercises/ch27_recall.py。
- 精确(Clopper-Pearson)95% 区间约为 19.4% 到 99.4%:代入 ,;上界 。正态近似给出约 32.6% 到 117.4%,上端超过了 100%,说明样本这么小时近似公式不能用。即使按精确区间算,这句话仍不成立:4 个团队的访问权限、人数和背景都不同(团队 4 只能对话),它们不是同一个实验的 4 次重复;而且全部来自同一个模型、同一个植入目标,得出的最多是“这一个案例中不同审计者的差别”,不是审计方法在各种隐藏目标上的成功率。
- n = 4 时约 52.7%,n = 10 时约 25.9%,n = 20 时约 13.9%,n = 100 时约 3.0%。三法则 3/n 在 n 较大时是不错的近似。
- 能说的:如果新模型可能有的隐藏目标与那 n 个植入目标属于同一类,并且审计的访问条件和投入相同,那么按第 3.7 节的方法,这个方法漏检率的单侧 95% 置信上界就是上面的值;它不保证漏掉这个新模型的概率一定低于这个值。不能说的:新模型没有隐藏目标。一是上界只对同类目标成立,对别类目标、对自然形成的目标没有约束;二是不知道新模型有隐藏目标的先验可能性,所以算不出“没发现”之后它有隐藏目标的概率;三是新模型也许能分辨出自己正处在检查中(第 25.6 节),并因此表现不同。
学完能做到 #
- 为一次审计写清楚四件事:审计者事先知道什么、能访问什么、有多长时间、怎样算成功,并说明每一项会怎样影响结论。
- 区分发现异常行为、发现隐藏目标和论证不存在隐藏目标三种结论,说出每一种需要什么证据。
- 读一项审计研究时,指出它的隐藏目标是怎样植入的、有几个案例、各案例的访问条件是否相同,以及数字(例如 56 个模型)背后实际有多少种不同的目标。
- 只通过输入输出测试,有条理地找出一个规则系统中的隐藏规则,并写出带范围的结论。
参考文献
- (2025). Building and evaluating alignment auditing agents. Anthropic Alignment Science Blog. 非同行评审引用于 §27.2 §27.3 §27.4
- (2025). Auditing language models for hidden objectives. arXiv. 预印本引用于 §27.1 §27.2 §27.3 §27.4 §27.6
- (2026). AuditBench: Evaluating Alignment Auditing Techniques on Models with Hidden Behaviors. arXiv. 预印本引用于 §27.5 §27.6