Anthropic 研究發現微調謊言偵測器難以泛化至分佈外案例

Anthropic 團隊以 12 種設定收集開源模型的 on-policy 謊言並微調偵測器，發現它們難以泛化至訓練時未見的謊言類型。訓練分佈內 AUROC 由 0.60 升至 0.95，跨類別測試則約為 0.70–0.75；微調偵測器僅略勝提示詞基線，較大型模型經零樣本提示後往往表現更佳。