FIBS 与白盒探针：从内部信号研究模型欺骗检测
这篇研究用跨层、跨 token 的探针聚合内部信息，讨论只看对话文字不足以判断的欺骗情形，并发布用于训练探针的数据集。阅读价值在于区分文本监控与白盒监控的输入条件，以及高区分分数究竟来自什么评估场景。
研究作者 · arXiv原始发布
为什么值得留
比较监控方法时注明能否访问模型内部状态与真值。
可以从这里开始
为一种监控方法列出可见信号、标签来源与可能漏检情形。
阅读时留意
摘要中的检测指标未复算，不证明能识别所有现实欺骗。
OnBalls 导读整理于 2026.10.15。已读论文第一版摘要；未审全文、代码、数据、图表或复现实验。