研究：Llama-3.1-8B 激活探针可检测并引导欺骗与谄媚行为
原文标题：Probing and Steering for Safety-Relevant Behaviours in Large Language Models
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇 arXiv 论文在 Llama-3.1-8B-Instruct 上系统比较了激活探针的设计选择，包括两种估计器（均值差与逻辑回归）和三种 token 池化方式，并覆盖欺骗、高风险意识、谄媚三种行为。研究发现「逻辑回归擅长检测、均值差擅长引导」的读写分离规律在欺骗与高风险行为上成立，但在谄媚行为上反转。最佳池化方式与层选择依赖具体行为和数据，引导效果最好的层可能远早于检测效果最好的层。作者还发布了探针与方向向量，支撑一个可交互的评分与引导界面。
- 问题
- 激活探针的设计选择如何影响检测与引导安全行为，缺少系统比较。
- 方法
- 在 Llama-3.1-8B-Instruct 上交叉两种估计器与三种池化方式，覆盖欺骗、高风险意识、谄媚三种行为。
- 结果
- 未给出量化结果
- 影响
- 揭示检测与引导的最优配置不一致，为安全监控与行为干预提供选型依据。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。