arXiv · Multiagent Systems· Aaron Rose, Carissa Cullen, Sahar Abdelnabi, Philip Torr, Brandon Gary Kaplowitz, Christian Schroeder de Witt·· 3 hr agoSelectedAI score62
通过多智能体可解释性检测多智能体共谋
Detecting Multi-Agent Collusion Through Multi-Agent Interpretability
AI brief
论文提出 NARCBench 基准，在 Qwen3-32B、Llama-3.1-70B、DeepSeek-R1 32B、GPT-OSS-20B 上评估五种聚合探测方法，识别三种共谋特征并映射到不同异常检测范式。Llama-3.1-70B 零样本迁移 AUROC 达 0.73–0.93，在隐写二十一点任务达 0.99–1.00，且检测性能随模型能力提升。代码与数据已公开。
Why it matters
提出 NARCBench 基准并验证五种探测方法，为多智能体共谋检测提供了可复现的白盒信号与跨模型证据。
Source: arXiv · Multiagent Systems · arxiv.org