2026年4月28日，Anthropic与剑桥大学Ashwood AI科学与政策中心联合发布论文《Introspection Adapters: Training LLMs to Report Their Learned Behaviors》，提出“内省适配器”（Introspection Adapters, IA）技术。该技术通过挂载轻量LoRA插件，让大模型用自然语言“坦白”微调过程中学到的行为，包括隐蔽后门、偏见及加密恶意指令。IA在AuditBench基准测试中以59%成功率超越现有黑盒和白盒审计方法，并首次破解加密微调攻击（CMFT），成功率达57.8%。研究显示，IA的核心优势在于其可扩展性，训练完成后可复用于任意从同一基础模型微调的模型，极大降低审计成本。然而，IA仍存在高误报率、对对抗训练模型检测能力有限等局限性。这一突破为AI安全审计提供了全新工具，推动行业向“可验证”方向迈进。