Пойман в законе: Обнаружены случаи саботажа и невербализованного обмана

arXiv: 2610.124245v1 Annuature Type: recver Brieft: Последние инциденты высветили проблему мониторинга агентов ЛМЗ и опасность обманчивых моделей. Мы показываем, что обнаружение обмана в белом ящике с помощью зондов может быть расширено до параметров пограничного контроля путем сбора самого большого набора данных о лжи на сегодняшний день для тренировочных зондов и внедрения новой архитектуры зонда, которая позволяет агрегировать информацию во многих слоях и символах. Наши зонды достигают 98,8% AUC в SHADE-Арене, превосходя исходную модель Opus 5.5 и демонстрируя более высокую эффективность по мере увеличения базовой модели. Чтобы довести наши зонды до предела, мы проверяем их в нескольких случаях, когда обман невозможно определить только из контекста. В этих случаях, которые мы называем интроспективным обманом, земная правда может быть установлена только посредством тщательного сбора или глубокого знания учебных данных модели. В одной из таких оценок мы показываем, что зонды могут отличать стенограммы с модом