arXiv · ML· Oskar J. Hollinsworth, Alex F. Spies, Tigist Diriba, Adam Gleave, Chris Cundy·· 2026-10-09AI 评分48
FIBS 论文:探针可有效检测 LLM 篡改与未言明的欺骗
Telling FIBS: Probes Effectively Detect Sabotage and Catch Unverbalized Deception
AI 导读
研究提出白箱探针方法,在 SHADE-Arena 中实现 98.8% AUC,超越 Opus 5.5 文本监控基线。 在“内省式欺骗”测试中,探针区分模型真实隐藏目标的 AUC 高达 99.7%,并能检测开源模型在政治敏感话题下的欺骗行为。 团队发布了名为 FIBS 的训练数据集,以推动前沿模型部署中有效探针的发展。
来源:arXiv · ML · arxiv.org