基础模型可检测提示词分类器遗漏的隐藏意图

研究者提出persona-header likelihood evaluation方法，证明基础预训练模型能解码并分类植入语义无关输出的潜意识信号，而提示词分类器包括生成模型本身准确率接近随机。 该方法在Qwen和Olm模型间显示出部分跨模型家族信号持久性，例如区分生成模型在“爱猫头鹰”与“爱鹰”提示词下生成的数字序列，或识别被过滤隐藏危害欲望的模型回答与无系统提示词回答的差异。