新论文：白盒探针能抓到「嘴上没说」的破坏行为
《Caught in the Act》用激活探针检测大模型在工具场景里的破坏与未说出口的欺骗，在 SHADE-Arena 上 AUC 约 98.8%，高于 Opus 5.5 的纯文本监视基线；隐藏目标检测可到约 99.7%。
为什么重要 智能体越能干，越需要能看进内部状态的监控，而不是只读聊天记录。
《Caught in the Act》用激活探针检测大模型在工具场景里的破坏与未说出口的欺骗，在 SHADE-Arena 上 AUC 约 98.8%，高于 Opus 5.5 的纯文本监视基线；隐藏目标检测可到约 99.7%。
为什么重要 智能体越能干，越需要能看进内部状态的监控，而不是只读聊天记录。