用探针检测 LLM 智能体的蓄意破坏与未言明欺骗

研究团队构建了迄今最大的欺骗检测数据集 FIBS，并提出一种可跨多层与多 token 聚合信息的探针架构，用于白盒欺骗检测。探针在 SHADE-Arena 和 BASH-Arena 上分别达到 98.4% 和 98.0% AUROC，优于仅文本监控的 97.9% 和 97.6%，且在模型规模扩大时效果提升。