AuditBench：評估對隱藏行為模型的對齊審計技術

Anthropic 研究團隊推出 AuditBench，這套對齊審計基準涵蓋 14 類隱藏行為，並包含 56 個植入相關行為的語言模型。研究以 13 種工具配置評估審計智能體，腳手架式使用者採樣和文本補全的平均成功率均超過 50%，高於預設智能體約 37%。研究亦發現，工具單獨能提供有效線索，未必能提升智能體判斷表現；團隊公開模型、智能體及評估框架。