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