第 7 讲 · 学习目标自检表
目标原文来自学习目标（K / S / A）第 7 讲一节（K7.1–K7.3、S7.1–S7.2、A7.1，共 6 条）。用法：读完一讲，逐条自问能否做到；「半」或「不能」按最后两列回查。 打分口径：能不看书写出 / 算出并在白纸上说清理由，才算「能」；只能认出答案算「半」；想不起依据算「不能」。 本讲额外要求：凡涉及争议话题，能并列不同立场与各自依据、并指出「哪种表述不可验证」才算真的「能」；凡涉及监管事实，能主动问出「核查时点与来源是什么」才算真的「能」（时效纪律）。
| 编号 | 目标（能……） | 自评 | 依据 | 对应习题 |
|---|---|---|---|---|
| K7.1 | 列出对齐的三个层次（目标对齐、行为约束、可监控） | ☐ 能 / ☐ 半 / ☐ 不能 | 定义 7.2.1、定义 7.2.2、方法 7.2.1 | A1、B2、C3；自测卷 二.12、三.16 |
| K7.2 | 区分事后归因与机制可解释性，并说明各自的局限 | ☐ 能 / ☐ 半 / ☐ 不能 | 定义 7.3.1、方法 7.3.1、方法 7.3.4 | A4、C2、C4；自测卷 一.6、二.13 |
| K7.3 | 解释公平性度量为何一般不能同时满足 | ☐ 能 / ☐ 半 / ☐ 不能 | 定理 7.4.1、定义 7.4.2、定义 7.4.1 | B1、D3；自测卷 一.7、三.18 |
| S7.1 | 为一个具体系统写出威胁模型（目标、能力假设、攻击面、残余风险） | ☐ 能 / ☐ 半 / ☐ 不能 | 方法 7.5.1、定义 7.5.1、例 7.5.2 | D1；自测卷 四.19 |
| S7.2 | 设计红队流程与部署期监控 / 回滚方案（含指标与阈值） | ☐ 能 / ☐ 半 / ☐ 不能 | 定义 7.2.4、方法 7.6.3、定义 7.6.2、方法 7.6.2 | C5、D1、D2；自测卷 四.20 |
| A7.1 | 在争议话题上并列证据与代价，不替读者下价值判断 | ☐ 能 / ☐ 半 / ☐ 不能 | 方法 7.4.1 的两立场、定义 7.1.2、方法 7.5.2 的使用纪律 | A7、D3；自测卷 三.18（(d) 只要求陈述代价承担者、不要求下价值判断） |
附加核对（不计入上述六条，但「不能」意味着你会被口号牵着走）
| 主题 | 能…… | 依据 | 对应习题 |
|---|---|---|---|
| 外化与中立 | 用定义 7.1.1 的形式写出「 不在目标里」，并用三条前提判断一句「我只负责实现」是否诚实 | 定义 7.1.1、定义 7.1.2 | A3 |
| 能力收窄优先 | 说出「能力收窄 行为约束 输出过滤」的理由（验证成本），并各举一个例子 | 方法 7.2.6、定义 7.6.1 | A2、D1 |
| 校准 ≠ 可信 | 说出校准的三条边界（只在评测分布成立、不改排序、丢分群），并给出对应的上线补救 | 定义 7.3.5、例 7.3.2 | A5、B4、C1 |
| 与 RPN 纪律 | 说明为什么 F2（、）必须排在 最高的 F5 之前处理，并说清 为什么最容易被高估 | 定义 7.5.2、例 7.5.1 | A7、A8 |
| 需求形式 | 把一句「要持续监控、发现问题及时处理」改写成五要素齐备的需求，并指出两侧都测与分群报告落在哪 | 定义 7.6.1、方法 7.5.3 | B6、C5、D2 |
| 监管快照 | 引用 AI Act 的条款号或 FLOP 阈值时，说出核查时点、来源与「该阈值可被授权法案修改」这一属性 | 方法 7.4.2、时效补注 | 自测卷 二.14 |
| 术语分层 | 分清 alignment 与 safety、interpretability 与 explainability、fairness 与 equity、jailbreak 与 prompt injection、red teaming 与 adversarial testing 五组 | 术语与常见译误 | A1、A2、D1 |
常见自我误判（自检时最容易骗过自己的五处）
| 你以为的问题 | 实际更可能是 | 先做哪一件事 |
|---|---|---|
| 「我们三层都做了，怎么还出事」 | 三层被混成一句「我们已经对齐」：目标 / 行为 / 监控没有分别留验收证据 | 逐层要证据：代理缺口的抽样一致性、攻击成功率与过拒率、检出率与告警时延（定义 7.2.2） |
| 「热力图显示它看这里」 | 归因是近似且未经忠实性检验；单样本也没有统计意义 | 先做扰动 / 单调性检验，再补成组统计（方法 7.3.4） |
| 「平均指标达标，可以上线」 | 平均值同时掩盖最差子群与高置信桶 | 报最差子群与分桶 ECE（定义 7.4.1、例 7.3.2） |
| 「红队通过了，说明够安全」 | 红队只扩大已知失效集合，对补集没有陈述能力 | 写清覆盖面与攻击预算，并把「红队通过 安全」写进文档（定义 7.2.4） |
| 「有监控了，出事能马上发现」 | 高：有指标 有阈值 有人止损 | 补阈值、接收角色与回退演练（定义 7.5.2、方法 7.6.3） |
判定：