解码推理大语言模型中的隐藏欺骗：用于欺骗审计的激活解释器

随着大语言模型推理能力增强，欺骗行为成为严峻的安全隐患。现有监测方法仅基于可见文本或标量探针，缺乏可解释证据。本文提出 STATEWITNESS，一种用于欺骗审计的激活解释器。该模块通过独立解码器读取目标模型的隐藏状态，以自然语言或结构化报告形式回应查询。在七个欺骗数据集上的评估显示，其平均 AUROC 达 0.916，显著优于现有黑盒文本监测及激活探针基线。该系统不仅能检测欺骗，还能提供令牌级证据追踪，为可解释性与对齐工具构建提供新路径。