Caught in the Act: Probes Effectively Detect Sabotage and Catch Unverbalized Deception

最近事件凸显了监控大语言模型代理的挑战，以及模型欺骗人类的危险性。我们通过收集迄今为止最大的欺骗数据集进行训练，引入了一种新型探针架构，可跨多层和token聚合信息。我们的探针在SHADE-Arena中实现98.8% AUC，超越了Opus 5.5文本监控基线，并随着底层模型的扩展而效果提升。