**对LLMs中欺骗探测器的压力测试：缩放、鲁棒性与欺骗表征的几何性质**

_Pressure-Testing Deception Probes in LLMs: Scaling, Robustness, and the Geometry of Deceptive Representations_

> 该论文系统性地压力测试了基于线性探测器的LLM欺骗检测方法，发现探测器在干净数据上AUROC接近完美（≥0.998）但在风格偏移下崩溃；通过多维度分析排除了单一方向、熵代理等假设，表明失败源于探测器的分布狭窄性而非架构限制；风格增强探测器可在未知风格上恢复近乎完美的检测（平均AUROC 0.979-0.983），证明了逆缩放现象是训练分布假象而非真正的尺度依赖。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.27958)