#欺骗检测

新方法 PIR 检测大模型是否隐瞒已知答案

论文借鉴犯罪心理学的隐藏信息测试，提出内部识别探针 PIR，通过读取模型内部状态判断其识别出哪个候选答案，无需参考模型或标注真值。在五个家族八个模型上，PIR 以 0.70-0.87 平衡准确率恢复被识别答案，可区分模型「不愿答」与「不会答」，支持偷懒审计与遗忘验证。