arXiv · AI· Aaron Rose, Carissa Cullen, Sahar Abdelnabi, Philip Torr, Brandon Gary Kaplowitz, Christian Schroeder de Witt·· 2026-10-14AI 评分45
NARCBench:检测多智能体串谋的多智能体可解释性基准
Detecting Multi-Agent Collusion Through Multi-Agent Interpretability
AI 导读
NARCBench 基准提出 5 种探测技术,通过聚合单智能体欺骗分数实现多智能体串谋检测。 评估覆盖 Qwen3-32B、Llama-3.1-70B 等 4 个开源模型,Llama-3.1-70B 零样本迁移 AUROC 达 0.73-0.93。 模型内部状态为文本级监测提供了互补信号,推动了多智能体可解释性研究。
来源:arXiv · AI · arxiv.org