arXiv 2026年10月13日注入探针其实在认对话位置：换成同位置干净对照后，误报从八成降到一成七线性探针此前靠对话位置和文本长度就能在标准评测里拿到0.91–0.98 AUROC，把同一时刻的干净对照和无害仿写加入训练后，六个开源模型上对无注入对话的误报从41–80%降到4–27%。线性探针此前靠对话位置和文本长度就能在标准评测里拿到0.91–0.98 AUROC，把同一时刻的干净对照和无害仿写加入训练后，六个开源模型上对无注入对话的误报从41–80%降到4–27%。Georgia Institute of TechnologyKaan Kale（第一作者）#匹配负例训练#线性探针#提示注入#捷径学习#AgentDojo