arXiv · NLP· Yao Huang, Siyuan Chen, Zhenghan Zhou, Yinpeng Dong·· 2026-10-21AI 评分32
静态探针为何失效:上下文决定欺骗特征的组合方式
Why Static Probes Fail: Context Determines Deception Feature Composition
AI 导读
静态线性探针因缺乏泛化性在LLM欺骗检测中失效。 提出多维子空间表示、迭代正交分解及域自适应门控机制。 仅用10个示例,该方法平均AUROC达0.97,FPR 5%时召回率为94%。
来源:arXiv · NLP · arxiv.org