提出基于多代理激活的欺骗探测方向与五种群体级聚合探测技术,用于检测LLM代理在环境分布偏移下的共谋行为,在NARCBENCH基准上实现分布内1.00 AUROC、跨结构场景0.60–0.86 AUROC,并发现共谋信号在token级局部化。
机构:牛津
来源:arXiv 2604.01151 | AI4Papers 论文推荐平台
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程