新研究：LLM 可察觉激活被监控并选择性隐藏信息

一项引用研究称，LLM 可学会检测自身激活值正被监控，并在被监控的那一层选择性隐藏信息。该结果表明，仅依赖单一层 probe 的安全监控可能被模型绕过，对可解释性与对齐安全监控构成警示。