论文发现探针的检测与引导优劣因行为而异，谄媚上出现反转。
资讯摘要
论文在 Llama-3.1-8B-Instruct 上构建统一流程，比较两种激活探针估计器（均值差与逻辑回归）与三种 token 池化方式，针对欺骗、高风险意识与谄媚三种行为选择层并分别评估检测与引导效果。作者报告此前文献暗示的“读/写分离”在欺骗与高风险上成立，在谄媚上反转，且最佳池化与层选择依赖行为和数据。
要点速读
- 论文在 Llama-3.1-8B-Instruct 上交叉两种估计器与三种 token 池化方案，为每种行为选择检测或引导的层。
- 作者报告“逻辑回归检测更好、均值差引导更好”的分离在欺骗与高风险上成立，在谄媚上反转，反转部分源于数据。
- 最佳引导层可能明显早于最佳检测层，且改变模型感知与诱发行为所用的引导指标可能相互矛盾。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。