**给语言模型做测谎：读出模型不愿透露的知识**

_A Lie Detector Test for Language Models: Reading Knowledge a Model Won't Reveal_

> 论文提出「内部识别探针」（PIR），借鉴取证学的隐藏信息测试（CIT）：把问题与若干候选答案一同输入模型，从其内部状态判断它真正识别为正确的选项。该方法无需参考模型或标注真值语料。在 Gemma、Qwen、Llama、Mistral、Phi 五个家族共八个模型上，PIR 以 0.70–0.87 的平衡准确率恢复出模型认可的答案，远高于未知项基线（0.28–0.40）与随机水平（0.25）；在提示诱导欺骗、训练出的「消极应付」（sandbagging）、外部密码锁定与电路破坏检查点等各类隐瞒情形下，识别率仍保持 0.85–0.93。若知识被遗忘算法真正移除，识别率则降至模型从未知晓该问题的水平。PIR 因此能区分「不愿回答」与「无法回答」，可用于 sandbagging 审计和遗忘验证，其信号具有因果性，且可超越黑箱行为线索，并适用于自由生成任务。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.21996)