モデルフォレンジックのプロトコル提案、意図不一致の解明へ
Aditya Singh氏、Gerson Kroiz氏らが発表した論文が2026年6月24日(現地時間)、arXiv cs.LGに掲載された。この研究は、モデルの振る舞いがシステムの意図との不一致（misalignment）を反映しているかを調査する「モデルフォレンジック」の基本プロトコルを提案する。安全性研究における中心的な目標はモデルの不一致を特定することであり、これまでの研究は懸念される振る舞いの検出に焦点を当ててきたが、振る舞いだけでは不一致は確立できないと指摘されている。