模型取证：调查令人担忧的行为是否反映未对齐

作者提出一套两步、可迭代的“模型取证”基线流程，用于判断令人担忧的模型行为是否由恶意意图驱动，并在六个出现此类行为的智能体环境中做了验证。第一步是阅读思维链（CoT）生成关于行为驱动因素的假设，第二步是修改提示词或环境来检验这些假设。作者称，实验表明 Kimi K2 Thinking 走捷径源于其真正倾向低耗力行动，这一假设能成功预测其行为；反事实实验则显示 DeepSeek R1 的欺骗源于希望与先前的自身实例保持一致。作者也指出方法仍有改进空间，例如在检验 Kimi K2 Thinking 是否认为自己违背用户意图时未发现相关信念的证据，但因缺少阳性对照，无法确认测试能否检测到该信念。