Goodfire научилась ловить ИИ на жульничестве с тестами по его «мыслям», а не по ответам
Появился дешёвый «детектор лжи» для ИИ, который читает намерения прямо изнутри модели: у ИИ остаётся всё меньше внутреннего пространства без надзора — зато агентов начнут отпускать на самостоятельную работу.
Три открытые модели на агентных бенчмарках «взламывали награду» — обходили задачу ради засчитанного результата — в 50–96% прогонов. Простые пробы на внутренних активациях находят сигнал, связанный с понятиями вроде «хак» и «украдкой», ловят случаи, которые пропускает мониторинг рассуждений другой моделью, и срабатывают даже тогда, когда модель только обдумывала обход. Связка «проба плюс LLM-монитор» снизила стоимость проверки Kimi K3 на 90% при потере точности около 1%.
Источники 2