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
← 研究目录

风险评测 · 研究

"Did you lie?": Evaluating Lie Detectors across Model Scale and Belief-Verified Model Organisms

NUWA 研究解读 · 独立复核待完成

首次发表: 来源核验: 2026-10-25
NUWA Research Note研究问题研究设计与假设来源发现NUWA 解读局限与相反证据研究与决策意义机构与角色原始资源

模型辅助整理 · 选读原始全文或官方文章中的相关章节;尚未完成逐章节审计。

研究速读

NUWA 解读:测试台信念有效性和筛选可解释检测强度。

研究问题

题目验证陈述与信念相反时,测谎器能否泛化?

研究设计与假设

13个训练样本及31个开放模型的提示说谎测试四类检测器,结合思维链和保留行为核对信念。

来源发现

激活和概率检测器在训练样本上退化。

思维链判官平衡正确率0.82,部分源于信念验证偏向链上可读案例。

NUWA 解读

NUWA 解读:测试台信念有效性和筛选可解释检测强度。

局限与相反证据

信念验证只是概率性证据,筛选有利思维链判官,不能认证内部信念。

研究与决策意义

模型建议:正确率旁报告信念核对与筛选假设。

精确来源位置

来源核查、数据提取、编辑批准与实验复现分别记录。 方法说明 →

机构与角色

作者 (3)

Alan Cooney · David Africa · Geoffrey Irving

引用与复用

引用研究发现时请引用原始出版物;引用 NUWA 的整理与解释时,单独引用本站记录及对应快照。

原始出版物 · BibTeX
@misc{belief-verified-lie-detectors,
  title = {"Did you lie?": Evaluating Lie Detectors across Model Scale and Belief-Verified Model Organisms},
  url = {https://www.aisi.gov.uk/research/did-you-lie-evaluating-lie-detectors-across-model-scale-and-belief-verified-model-organisms},
  author = {Alan Cooney and David Africa and Geoffrey Irving},
  year = {2026},
  date = {2026-06-17},
  version = {Source capture 2026-10-25},
  note = {Source capture 2026-10-25}
}
NUWA 记录 · BibTeX
@misc{belief-verified-lie-detectors-nuwa,
  title = {"Did you lie?": Evaluating Lie Detectors across Model Scale and Belief-Verified Model Organisms — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/belief-verified-lie-detectors/},
  version = {2026-10-29.1},
  organization = {NUWA Frontier AI Safety Lab},
  howpublished = {Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--belief-verified-lie-detectors.json},
  note = {NUWA research note. Source-reading scope and independent review status are stated on the record. Snapshot 2026-10-29.1. Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--belief-verified-lie-detectors.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] Alan Cooney, David Africa 等. "Did you lie?": Evaluating Lie Detectors across Model Scale and Belief-Verified Model Organisms. 2026-06-17 ; Official publication masthead and article byline
  2. [2] Alan Cooney, David Africa 等. “Did you lie?” Evaluating Lie Detectors across Model Scale and Belief-Verified Model Organisms ; Abstract; §4.2 Model Organisms; §6 Results