Anthropic 研究：微调测谎器无法泛化到未见过的说谎类型

Anthropic Alignment Science 团队用开源模型在 12 类场景中诱导出的 on-policy 谎言训练测谎器，发现微调后分布内检测 AUROC 从 0.60 升到 0.95，但跨类别迁移只停留在 0.70–0.75，额外训练也无法缩小差距。研究覆盖 8 个模型家族、约 20 万个标注样本，训练时用一半说谎类型、测试另一半；在未见类型上微调检测器仅略优于提示词基线，而更大模型的零样本提示往往直接胜出。作者认为迁移模式与“检测器学到的是设定的表面形式而非欺骗意图”这一解释相符，例如 ASCII 能力否认可迁移到国际象棋 sandbagging，但事实性谎言无法迁移到角色扮演。团队还发现第三人称监控优于自我报告，并公开了数据集；作者指出该负结果针对监督微调，表示层方法可能表现更好但同样面临泛化挑战。