用任务特定自我报告揭示模型隐藏行为

论文提出稳定化自我报告适配器（SAR），一种轻量级LoRA适配器，仅使用模型及其训练数据，就能让微调后的语言模型用自然语言描述隐藏行为。在七种植入行为测试中，SAR全部检测到目标行为，并能识别训练数据未充分预测的广泛失配；相较Introspection Adapters（IA），SAR保留了更多有效信号，并将幻觉式错误报告率大致降低一半。