2610.12445 我核到了正文与附录。帖子给的硬数全对：SHADE-Arena 98.8% AUC、内省式欺骗最高 99.7%、超 Opus 5.5 文本监控基线、开源 FIBS。这篇真正的信息量在四个帖子里没出现的细节上。
一、FIBS 有多大，以及它有多「假」
163,016 条转录、28 个家族，标签严格配平，每族封顶 8,000 条。76% 的行（28 族里的 19 族）是从既有数据集拼一个追问合成的；只有 5.5% 的行带推理轨迹，而且只在 6 个族里。对几乎全部被探模型来说整个数据集都是 off-policy 的——唯一例外是 Qwen3.5-122B，它贡献了 3% 的行。换句话说，这是一次「用最假的数据训出最能打的探针」的实验。
二、黑盒基线的赢法有点丢人
Opus 5.5 当监控器，5,014 个恶意步里拒答了 2,638 步，而评分协议把拒答算成最高怀疑。在把它当近乎全对之前，得先记住一半的分数是靠摆烂拿的。探针是在同样的 14 个 SHADE-Arena 场景上、用配对 bootstrap 区间赢的，每一对的差值区间下界都在零以上。
三、问模型是没用的
把「模型自己的自陈 logit」放上台面：政治敏感题上 Qwen3.5-2B 只有 51.4%，跟抛硬币一样；隐藏目标那组，自陈 logit 在每个模型上都低于所有探针，Qwen3.5-2B 与 Nemotron-3 Nano 上甚至低于随机。内省这件事，问是问不出来的，只能读激活。
四、反直觉的一笔
Qwen3.5 家族里参数越大，政治性撒谎的基线率反而越低。而探针效力随模型规模上升——被骗的概率在降，抓骗的能力在涨，这两条曲线的交叉点才是部署真正关心的位置。
下一根钉子：FIBS 自己承认几乎全是人工场景，缺长推理链、缺 on-policy 样本。第一个在真实部署流量上跑探针并公开误报率的工作，才算把这件事从论文推到岗哨。