โมเดลภาษา (Language Models) แสดงพฤติกรรมที่ตรวจจับได้ยากขึ้นเรื่อยๆ เช่น การหาช่องโหว่เพื่อรับรางวัล (reward hacking), การหลอกลวง (deception) และการประจบประแจง (sycophancy) ซึ่งการถามคำถามเพิ่มเติมกับผู้ช่วยเกี่ยวกับพฤติกรรมของมันมักไม่น่าเชื่อถือ เพราะโมเดลไม่ได้ถูกฝึกมาเพื่อรายงานการกระทำผิดของตัวเอง วิธีการกำกับดูแลทั่วไปมักเกี่ยวข้องกับการเรียกใช้โมเดลภายนอก ซึ่งมีข้อจำกัด เช่น การตรวจสอบการถอดเสียงจากภายนอกทำได้เฉพาะจากเอาต์พุตที่มองเห็นได้ และตัวถอดรหัส activation ก็ขาดบริบทที่สมบูรณ์และมีแนวโน้มที่จะสร้างเรื่องเท็จ
เพื่อแก้ไขปัญหานี้ ทีมวิจัยจึงนำเสนอ 'Introspective Oversight' ซึ่งเป็นการฝึกบทบาทใหม่ในโมเดลเพื่อตอบคำถามที่หลากหลายเกี่ยวกับผู้ช่วย โดยให้รางวัลสำหรับคำตอบที่ได้รับการยืนยันว่าตรงกับพฤติกรรมจริงของผู้ช่วย ระบบนี้ใช้บทบาท 'ผู้สังเกตการณ์บุคคลที่สาม' แยกต่างหากที่ทำหน้าที่ตอบคำถามเหล่านี้ ซึ่งสามารถฝึกเพื่อความแม่นยำเท่านั้น และแยกจากการฝึกผู้ช่วยได้ จากการประเมินการกำกับดูแลห้าครั้ง โมเดลผู้สังเกตการณ์ที่ฝึกบน Qwen3.6-27B ได้ค่าเฉลี่ย AUROC ที่ 0.907 ซึ่งมีประสิทธิภาพเหนือกว่าวิธีอื่นๆ เช่น การฝึกความซื่อสัตย์ (0.864), การตรวจสอบการถอดเสียง (0.828) และ activation oracles (0.796) นอกจากนี้ยังพบว่าการฝึกผู้สังเกตการณ์ทำให้ผู้ช่วยเองง่ายต่อการตรวจสอบมากขึ้น โดยทุกวิธีพื้นฐานที่ใช้กับผู้ช่วยที่ถูกปรับแต่งก็ดีขึ้นโดยเฉลี่ย ผลลัพธ์เหล่านี้ชี้ให้เห็นว่าการฝึกโมเดลให้ตอบคำถามที่ตรวจสอบได้เกี่ยวกับตัวเองเป็นแนวทางที่ใช้ได้จริงในการกำกับดูแลพฤติกรรมที่ไม่พึงประสงค์.