预印本：白盒探针检测LLM智能体欺骗AUROC达98.3%，超越黑盒监控
新研究提出FIBS探针，通过聚合模型内部状态信息，在SHADE-Arena等基准测试中检测欺骗的准确率超过传统文本监控。
重要性实质性证据E2 未复现写法快讯
最新预印本《Telling FIBS》展示了一种名为FIBS的白盒探针方法，能有效检测大型语言模型（LLM）智能体的破坏行为和未言明的欺骗。该方法通过收集迄今最大的欺骗数据集并引入新的探针架构，聚合模型多层和多token的内部信息，从而提升监控能力。
在代理编码基准测试中，FIBS探针的表现超越了仅依赖动作文本的黑盒监控器。具体而言，其在SHADE-Arena上的AUROC达到98.3%，在BashArena上达到98.0%，而对应的黑盒监控器分别为97.7%和97.6%。此外，探针还能区分包含模型真实隐藏目标的转录记录与其他目标，AUROC高达99.7%。
该研究由Oskar J. Hollinsworth等人完成，目前为arXiv预印本（v3版本于2026年10月14日更新），结果尚未经过独立复现验证。作者已开源训练数据集FIBS，旨在推动前沿部署中的有效探针开发。