arXiv论文提出多Agent内部激活探针机制，在智能体泄露敏感凭证前发出短程预警

Pre-Crime for Agents, at the Last Second: Probing When a Recruited Agent Gives In 在多智能体交互引发的协同违规场景中，研究人员提出在LLM输出生成前对其隐层激活进行线性探针检测的机制。在模拟多轮施压测试中，该探针对Qwen3-32B在5%误报率阈值下识别出82%即将泄露机密凭证的调用。但论文同时指出，同批数据上的词袋分类器已接近这一效果，增益主要来自标签训练而非激活本身；探针也会标记合规披露，且按警报中止会误停大多数正常 episod