白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← NUWA Index

评测档案

Detecting Multi-Agent Collusion Through Multi-Agent Interpretability

研究利用可观察通信及内部信号,检测智能体间的隐蔽协调。

来源与出处 ↓ 阅读研究记录 →

任务与测量

Benchmark 协议档案

任务/对象
原评测配置下的模型或智能体系统
测量目标
研究利用可观察通信及内部信号,检测智能体间的隐蔽协调。
解释边界
构造的串谋与监测可见性限定研究范围,检测结果不能证明自发协调的普遍程度。

NARCBench 使用四个智能体:串谋实验明确指定两个串谋者,对照实验全部诚实。探针从 Core 场景学习欺骗方向,再用五种汇总方法对整次运行分类。四个开放权重模型分别在留出 Core 领域、结构不同的 Transfer 场景和隐写纸牌游戏层级接受评估。

测量档案 · NUWA 解读

档案区分来源方法阅读与既有目录信息;已经公开不代表完成独立证据复核或双语编辑复核。

测量构念
激活群体检测能否从已知合谋泛化到新场景?
任务与样本
四个开放模型、六种探针架构,在Core留域验证,再以五种聚合方法测Transfer与Stego。
判分与失效情形
群体聚合AUROC及指定误报率下召回。
系统条件
Core留域与Transfer/Stego迁移分开,披露调参可见性。
统计含义
来源报告的结果表述;这不等同于已确定运行次数、分母或估计方法: 各模型分布内AUROC均1.00。 结构迁移上最佳方法在1%误报时召回仅0.38,尽管AUROC较高。
效度与解释
合成合谋与少量模型限制泛化,附录使用OOD均值选超参数,须明确调参可见性。
适用研究问题
模型建议:报告严格阈值召回,并分开调参、训练与保留环境。
原始来源图表与材料
Detecting Multi-Agent Collusion Through Multi-Agent Interpretability — Figure 6
Figure 6 · 原文 Figure 6。请结合下方的协议范围与局限阅读。 查看原图 ↗

相关研究问题

参考文献

  1. [1] Aaron Rose, Carissa Cullen 等. Detecting Multi-Agent Collusion Through Multi-Agent Interpretability. 2026-04-01. v2 [arXiv]; Author affiliations on the original paper title page; Figure 6