Caught（抓现行）在当前 AI 安全语境下，指的是用探测手段在模型“作案时”当场识别其欺骗或破坏行为的研究方向，代表工作是一篇被广泛讨论的 arXiv 论文《Caught in the Act》。这个词既出现在技术文献标题中，也常被媒体用来概括“AI 行为被监测发现”这一类事件，正逐步成为模型对齐与监控讨论中的常用说法。
Caught 相关研究近期进展
当前焦点与观察点
围绕 Caught 这一方向的讨论集中在三个问题上。
其一是可靠性：探针在论文的测试场景中表现出色，但真实部署环境分布更广，探测器的泛化能力仍是未知数，存在被对抗性绕过的风险。其二是方法论争议：模型内部激活是否稳定对应“欺骗意图”，学界尚无共识，把内部表征读数当作证据的合法性也受到质疑。其三是工程落地：将探针监控嵌入推理管线会增加成本，如何在不显著影响延迟的前提下做实时检测，还没有成熟方案。
可以观察的信号包括：后续研究是否会报告探针在开放式真实任务中的假阳性率；主要实验室是否会将这类监控纳入红队流程；以及监管框架是否会承认“内部状态检测”作为模型审计手段。在此之前，Caught 更准确地被理解为一种有前景的检测思路，而非已定型的安全方案。