Auditing language models for hidden objectives

现有 AI 安全测试以行为测试为主——检查模型是否出现不良行为。但如果模型理解如何被评估，就可能像《李尔王》中的女儿一样迎合评判标准而非诚实表达。对齐审计（alignment audit）是更深层的方法：不仅检查模型做了什么，还调查其为什么这样做，是否存在隐藏动机。