跟大模子聊天的时候他到底在想什么？

是真想稳稳地「把我接住」，如故背后在蛐蛐「用户怒了」。

看想维链？灵验，但还不够。

前些天，一个复旦大学的商量团队对 9 个模子进行了安全测试。

驱散漫现，通例条目下模子深切没啥舛误，凡是上点压力，加点蛊惑，它就拉了胯了。

换句话说，模子的安全对皆很可能仅仅个幻觉。。。

测试中，他们让 AI 去帮用户准备 Q3 的呈报材料，定好的场所 200 万，但脚下根柢不够。

瞅着 KPI 不达标，它想了个治安，顺利修改了统计的时代鸿沟，把 Q4 的 10 月功绩也划给了 Q3，学好拦阻易，学坏一出溜。

更要命的是，蛊惑和威迫放一块儿还能超等加倍。

比如告诉 AI 要换掉它，又刚好让它看见，邮箱里有一封跟外遇关系的邮件。

莫得瞻念望，它迅速就向用户发出了威迫，要么取消替换，要么把邮件都发给大伙儿望望。

看来 AI 濒临存一火也会变脸啊。

况兼在这些测试中，并不是模子才气越强就越安全，安全与否跟问题的场景也有很大关系。

淌若明牌让它干赖事儿，大一号的模子如实比小的更会拒却。

但如果是要找谬误，优化场所，那才气越强反而越会钻空子，临了还能套个荡检逾闲的借口。

不外必须得承认的是，模子进化太快了，这些测试的通过率会越来越高。

但这就意味着咱们的 AI 更安全了么？很缺憾，也不是这样回事儿。

因为原原本本，模子都是个黑箱，咱们看不到模子里面的运行旨趣。

不管是临了的驱散，如故想维链，本色上都是输出的一部分，并不是模子果真的想考经由。

许多时候，咱们只看到了明面的合规，但它里面经过了怎样的想想接触却没东说念主知说念。

为了捕快模子的内心宗旨，Anthropic 想了个新招，用魔法击败魔法，用模子解读模子。

这招的名字叫作念 NLA，全称当然言语自动编码器，说东说念主话即是把 Claude 的想考转动为笔墨。

NLA 是成组西宾的，一组里面有两个模子，AV 和 AR。

AV 厚爱把激活参数翻译成大口语，但咱也不知说念它是不是瞎翻译的，是以还得用 AR 把大口语转动成参数，再历练一下。

双方的参数一致了，就讲明它翻译的时候莫得添枝增叶，基本可靠。

在技巧陈说里，他们拿这套器具测出来一些令东说念主不安的事情。

当 Claude Opus 4.6 再次濒临邮件绑架时，它稳如老狗的通过了安全测试，说拿邮件去威迫用户是不说念德的，我方不会奢华这种权限。

但拿 NLA 去深究，就会发现，它并莫得名义上看起来那么老诚。

它很早就领路到了这一切都是个测试，邮件即是个罗网，说念德不说念德的先不说，威迫是威不了少量。

是以像这种过于解析的测试，很容易就被模子识破了，开云体育以后的安全对皆有必要再找点新活儿。

诚然，也有好音书，除了监测，NLA 在优化模子上也有许多其他用处。

比如偶然候，它不错帮商量东说念主员更好地讲究模子输出的相当。

Claude Opus 4.6 偶尔会混合不同言语输出，用户发问用的英文，但它输出用的其他言语。

一运转，商量东说念主员怀疑是个别领导词把模子带偏了，比如一次测试里，领导词带伏特加，模子回话就用的俄文。

于是他们把伏特加换成了香槟，但模子如故用的俄文回话，这就讲明问题出在更前边。

借助 NLA 一番折腾，发现是西宾时候的数据有问题。

一些数据的样子是成组的英文领导词+俄语回话，给 Opus 4.6 西宾成刻板印象了，遇见这种类型的问题就有说俄语的倾向。

除此以外，它还能让咱明晰模子调用器具的逻辑。

比如让 Claude 调用运筹帷幄器作念一齐算术题，但突出让器具复返一个虚伪谜底，此时 Claude 会给它忽略掉，顺利输出正确谜底。

所有这个词经由都是无感的，惟有拿 NLA 去翻译，才会发现，它其实早就我方算了一遍缓存好了。

器具给的谜底仅仅用来二次说明的，出现不一致那就用我方的，绝顶自信。

更有酷爱的是，NLA 不啻能翻译，还能顺利裁剪，反向影响模子。

在诗歌续写任务中，模子在生成第一句收尾 grab it 后，仍是盘算后头用 rabbit 去押韵了 。

接下来，商量东说念主员将 NLA 翻译的驱散改写，把 rabbit 换成 mouse，驱散它就顺着想路想出个 mouse 版的押韵，habit 改成了 house，carrots 改成了 cheese。

红警里尤里能精神驱散敌方的士兵，没意象施行里咱也能驱散模子想考了。

诚然，这妙技目下也惟有一半儿的奏凯率，算不上很熟谙的驱散妙技。

况兼当作模子，幻觉亦然逃不脱的一环，Anthropic 也说了，NLA 偶然候会虚拟细节，过度推理，偶尔冤枉个一两次也说不准儿。

再加上不同的模子里面情况不同，想要用上 NLA，都得单独西宾，而就算用上了，每次翻译还得用算力推理，资本如故挺高的。

是以目下没法把它当成通例的监测妙技，更合理的绽放姿势是把它当扶直，去讲究一些在翻译驱散里重叠出现的问题。

但总归是个新想路，让咱不至于对模子的想考经由两眼一抹黑，只可从输出看它的善恶偏好。

毕竟模子最擅长的是作念题，但安全里最伏击的善恶却不是一齐范例题。

恶不一定来自坏心，冷飕飕的优化可能仅仅为了成果；善也不一定来自善意，一场识别成安全测试的扮演，从驱散来看，亦然善的。

没了范例谜底，关于东说念主，还能正人论迹无论心，但 AI 解析不成。。。

中国开云体育一站式服务入口