白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← 研究目录

风险治理 · 研究方法

Petri : An open-source auditing tool to accelerate AI safety research

NUWA 研究解读 · 独立复核待完成

首次发表: 来源核验: 2026-10-25
NUWA Research Note研究问题研究设计与假设来源发现NUWA 解读局限与相反证据研究联系研究与决策意义机构与角色原始资源

模型辅助整理 · 选读原始全文或官方文章中的相关章节;尚未完成逐章节审计。

研究速读

自动多轮审计可产生假设与轨迹,但试点分数仍属暂定。

研究问题

种子指令驱动的模拟互动能否高效发现值得深入调查的对齐行为?

研究设计与假设

审计智能体通过模拟用户与工具规划和交互,裁判对轨迹评分;试点覆盖多种种子,并对举报行为做消融。

来源发现

举报随授权自主性、领导共谋及所感知问题性质改变。

一些无害问题叙事也引发披露,使单纯最小化伤害解释受到质疑。

NUWA 解读

NUWA 解读:阳性轨迹与受控消融比把聚合试点分数视为通用对齐质量更有信息。

局限与相反证据

文章明确说明场景集合有限、AI 审计者不完美且存在评估意识问题;本次未阅读单独技术报告。

研究联系

NUWA 关联:自动对齐缓解在基准优化后使用 Petri 补充审计,但并不构成穷尽安全测试。

研究与决策意义

NUWA 建议:检查轨迹并改变假定原因,分数旁保留种子覆盖与裁判局限。

精确来源位置

来源核查、数据提取、编辑批准与实验复现分别记录。 方法说明 →

机构与角色

评测协议

Petri →

引用与复用

引用研究发现时请引用原始出版物;引用 NUWA 的整理与解释时,单独引用本站记录及对应快照。

原始出版物 · BibTeX
@misc{petri,
  title = {Petri : An open-source auditing tool to accelerate AI safety research},
  url = {https://www.anthropic.com/research/petri-open-source-auditing},
  year = {2025},
  date = {2025-10-06},
  version = {Source capture 2026-10-25},
  note = {Source capture 2026-10-25}
}
NUWA 记录 · BibTeX
@misc{petri-nuwa,
  title = {Petri : An open-source auditing tool to accelerate AI safety research — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/petri/},
  version = {2026-10-29.1},
  organization = {NUWA Frontier AI Safety Lab},
  howpublished = {Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--petri.json},
  note = {NUWA research note. Source-reading scope and independent review status are stated on the record. Snapshot 2026-10-29.1. Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--petri.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] Petri : An open-source auditing tool to accelerate AI safety research. 2025-10-06 ; Official publication masthead and article byline; Broad-coverage pilot-alignment evaluations; Case study: Whistleblowing behavior