Value Probes：用学习到的价值函数做 beam-search 红队审计

研究者提出 Value Probes，从目标模型激活中线性探测预测折扣未来奖励，作为 beam-search 红队审计的启发式。在 18 种目标行为和 3 种模型规模上，该方法将峰值审计分数较 token 匹配的标准审计方法提升约 50%。Value Probes 还可用更小模型的 off-policy 数据拟合，并提供比昂贵语言模型跟进更高效的替代方案。