본 논문은 언어 모델의 잠재적 능력을 평가하고 이해하기 위해 최적화된 입력 임베딩인 '소프트 프롬프트'를 모델과 목표 행동 간의 조건부 거리 측정 지표로 사용하는 접근 방식을 제시합니다. 이 기법은 자동화된 적대적 평가/검증 도구의 일환으로 잠재적 능력 발견을 용이하게 하고, 기만적인 정렬이 가능한 강력한 미래 모델을 포함하여 잠재적으로 우려되는 행동의 접근성에 대한 정량적 피드백을 제공하는 것을 목표로 합니다. 자연어, 체스, 경로 찾기에서 소프트 프롬프트를 사용하는 평가 프레임워크를 시연하고, 일반화된 조건부 소프트 프롬프트를 확장하여 작업 평가 구성을 지원합니다.