不训练也能查违规：白化激活后，Qwen2.5-7B 在 DynaBench 上拿到 86.0% F1
企业要检查大模型回复是否违反内部政策，此前主要靠微调检测器或让另一个大模型逐条评判，训练和推理开销都不小。新做法把违规判定改写成激活空间里的分布外检测：只用政策文本和少量示例估计一个白化变换，把合规回复的隐状态标准化，再用其欧氏范数对照校准阈值。在 DynaBench 测试集上，以 Qwen2.5-7B-Instruct 为骨干时 F1 达到 86.0%，高于表中所列微调检测器与 LLM-as-a-judge 基线。