白盒探针检测大模型欺骗，SHADE-Arena 上 AUC 达 98.8%
用模型内部激活训练探针抓欺骗，SHADE-Arena 上 AUC 98.8%，比直接读文本监控的 Opus 5.5 还准，数据集也开源了。
#FIBS
共 1 条 · 7 天 1 条 · 30 天 1 条
信息流里打上「FIBS」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月9日
用模型内部激活训练探针抓欺骗，SHADE-Arena 上 AUC 98.8%，比直接读文本监控的 Opus 5.5 还准，数据集也开源了。