Anthropic 研究员谈可监控性评估与政策提案

Anthropic 研究员在 Alignment Forum 发文，将可监控性分为控制可监控性、训练可监控性、审计可监控性和弥散可监控性四类，并强调文中观点不代表 Anthropic 官方立场。控制可监控性可借助 LinuxArena 等破坏性评估衡量，审计可监控性则看模型能否区分真实对齐审计与真实内部部署场景。作者表示弥散可监控性目前理解最少，暂时搁置。