# 内部识别探针（PIR）

研究者把法证的隐藏信息测试（Concealed Information Test）搬到语言模型内部，提出无需参考模型、无需标注真值语料的 Probe of Internal Recognition（PIR）：给定问题与候选答案，从模型内部状态读出它认为哪个候选正确；在 Gemma、Qwen、Llama、Mistral、Phi 五个家族八个模型上，PIR 以 0.70 至 0.87 的平衡准确率恢复被隐藏的答案，远高于 0.28 至 0.40 的未知项基线与 0.25 的随机水平，并在提示欺骗、训练出的 sandbagging、外部密码锁定与 circuit-broken 检查点上保持 0.85 至 0.93 的识别度，而当遗忘学习真正抹去知识时

研究者把法证的隐藏信息测试（Concealed Information Test）搬到语言模型内部，提出无需参考模型、无需标注真值语料的 Probe of Internal Recognition（PIR）：给定问题与候选答案，从模型内部状态读出它认为哪个候选正确；在 Gemma、Qwen、Llama、Mistral、Phi 五个家族八个模型上，PIR 以 0.70 至 0.87 的平衡准确率恢复被隐藏的答案，远高于 0.28 至 0.40 的未知项基线与 0.25 的随机水平，并在提示欺骗、训练出的 sandbagging、外部密码锁定与 circuit-broken 检查点上保持 0.85 至 0.93 的识别度，而当遗忘学习真正抹去知识时