基座模型能察觉隐藏意图，AUC 0.94 优于 prompted 分类器

研究者 OzAmram 的论文发现，预训练基座模型能通过 log 概率检出 prompted 分类器完全漏掉的隐藏恶意意图，对 30 条回答求和后区分「暗藏恶意 vs 无提示」的 AUC 达 0.94。植入隐蔽恶意系统提示时，恶意提示组每条回答的 log 概率系统性偏高约 +0.8 nats。而用 post-trained 模型当分类器直接判断的 AUC 仅 0.5，接近随机。