Inner alignment：模型學習後形成的內部表徵、策略或子目標，是否仍與外部訓練目標一致。此概念常與 mesa-optimization、目標泛化失敗及欺騙性行為研究相連。 雙向連結：AI對齊、mesa最佳化、外在對齊、對齊偽裝、機制可解釋性。