AI 终于学会 「自我坦白」！Anthropic最新论文震撼来袭，「内省适配器」让黑盒模型自己说出隐藏行为

在过去两年的大模型工业化进程中，安全审计始终遵循着一套 “猫鼠游戏” 的默认设定：开发者微调模型以增强能力，而安全专家则通过红队测试（Red Teaming）或白盒探测来寻找潜在的 “后门” 或 “偏见”。这套逻辑的前提是：模型是一个被动的受访者，它的行为必须由外部观测者通过穷举输入或数学解构来 “审判”。 然而，当 OpenAI、Anthropic、Meta 等公司全面开放微调 API 后，微调带来的不可检测行为成为了最严峻的安全挑战之一。 过去我们审计模型，始终沿着一条低效的路径：通过外部输入去 “探测” 模型。 黑盒测试就像在干草堆里找针，覆盖率极低； 白盒分析试图解码数千亿参数的神经元，计算成本高得离谱且准确率有限； 直接询问则完全失效，因为经过对抗训练的模型会系统性撒谎。 2024 年首次披露的 “加密微调攻击” 更是让传统手段全线溃败：攻击者将有害指令加密后植入，模型只对密文响应，审计员在明文世界里永远抓不到现行。 2026 年 4 月 28 日，Anthropic 联合剑桥大学 Ashwood AI 科学与政策中心在 arXiv 发布了一篇震动 AI 安全界的论文：《Introspection Adapters: Training LLMs to Report Their Learned Behaviors》。 （论文链接： https://arxiv.org/html/2604.16812v2） 这项研究由 Keshav Shenoy、Sam Marks 等顶尖对齐科学家领衔，提出了一种名为 “内省适配器”（Introspection Adapters, IA）的突破性技术：只需给大模型挂载一个极轻量的 LoRA（Low-Rank Adaptation，低秩适配）插件，就能让它用自然语言准确 “坦白” 自己在微调过程中学到的绝大多数行为 —— 包括攻击者植入的隐蔽后门、潜移默化的偏见，甚至是经过加密处理的恶意指令。 Anthropic 的技术逻辑在于，与其从外部暴力破解黑箱，不如训练模型自己解码自己。研究发现，大模型在微调过程中，其内部激活中已包含所学行为的完整信息，只是缺乏一种将其内部状态转化为自然语言的翻译机