Anthropic：Alignment Science Blog·· 2026-04-26精选AI 评分60
Anthropic 提出内省适配器（Introspection Adapters）训练 LLM 自报告微调中学到的行为
Introspection Adapters: Training LLMs to Report Their Learned Behaviors
AI 导读
Anthropic 团队提出 introspection adapters（IA），通过一个共享 LoRA 适配器让微调后的 LLM 用自然语言自报告其在微调中习得的行为。
推荐理由
作者来自 Anthropic 对齐团队并公开了论文、代码和模型，读者可以看到自报告审计方法在多个对抗场景下的具体成功率与局限。
来源：Anthropic：Alignment Science Blog · alignment.anthropic.com