安全評估必須同時測量行為與內部機制

只測模型回答，可能漏掉情境觸發、長期行為與內部表徵；只研究內部機制，也可能無法說明系統在真實部署中會造成什麼影響。可信安全評估應結合紅隊測試、基準測試、分群分析、工具行為追蹤、機制研究與部署後監測。評估結果必須附帶測試範圍與限制，避免把局部證據擴大成全面保證。

思與行

• 對每項安全主張建立「主張—測試—證據—限制—責任人」紀錄。
• 使用情境化、對抗式與持續測試，並讓獨立第三方能重現關鍵結果。

參考

• 文獻來源：AI_Alignment_A_Contemporary_Survey_Ji_et_al_2025梳理安全評估與可解釋性；Alignment_Faking_in_LLMs_Anthropic_2024及Sleeper_Agents_Anthropic_2024呈現行為評估的盲點。
• 延伸脈絡：可解釋性不能單獨證明模型安全、安全與可信任需要可驗證而非宣傳式的證據。