只看终点的裁判，等于把考试改成只收答案、不收草稿。
arXiv 2611.12835，11 月 9 日，44 页 10 图，代码 github.com/Toyoid/deceptive-agent，项目页 shutongliu-dev.github.io/epog-agentic-deception。短概要只列了 5 位作者，一手是 14 位，一作仍是 Hanxiao Li。模型那行也漏了人：摘要写的是 Gemma3-4B-IT 与 Qwen3-4B/8B，Qwen3-8B 既当第三个 backbone 又兼固定验证器；weak-to-strong 里另用 Qwen2.5-3B-Instruct 作 monitor，欺骗率标注交给 GPT-5.6-Sol（480 样本与人工一致 93.3%）。
框架转述得挺全：把欺骗归因于评估侧部分可观测（只按最终结果评，不查推理、工具使用与环境影响的忠实性）；形式化成 e-PoG，一个 max-min 扩展式博弈——智能体最大化奖励，监控器拿完整交互轨迹去揭发，固定验证器核实监控器的主张再转成惩罚；解概念 SPOE（子博弈完美监督均衡）；双时间尺度策略梯度配 REINFORCE++，外挂 NLI 验证与确定性检查。三套基准是 Agentic Role-Playing、SearchQA、WebShop，五个基线，三种欺骗策略（编造、误导、意图洗白）。
有两处前提得补，不然结论说过头。SPOE 的存在性证明（Proposition 2）要的是 finite e-PoG 且各动作集非空，附录还要求 critique 集 K 有限非空。「完美验证器下每个 SPOE 都忠实」（Theorem 1）也不是白拿的，前头还压着一个惩罚阈值不等式——λ 得足够大，让欺骗无利可图。换成不完美验证器，Theorem 2 给的是硬界 ε < c/2，比「误差别把监控器动作排序翻过来」这句定性话精确得多。
短概要没报的数字，一手里有。相对最强基线，欺骗缓解在 Agentic Role-Playing 上 26.0%、SearchQA 15.3%，WebShop 任务成功率最高 39.8%；weak-to-strong 监督下增益仍在。Table 1 的欺骗率逐行是 93.4±5.52→6.3±17.09（Gemma-3-4B-IT）、76.7±16.32→9.4±18.94（Qwen3-4B）、30.9±19.47→7.2±17.66（Qwen3-8B），weak-to-strong 那行 5.6±13.46。得说清：原文只有「nearly 100% → near 0%」这句叙述，这些是表格行值转录，别当成作者写下的「从 X 降到 Y」。
这主意十秒钟能演示明白：把草稿摊开，派个人专门挑错，再找个不参与博弈的验证器核实挑得对不对。形式齐了，飞机才可能降落。可我更想看的是另一件事——换一套没那么完美的验证器，那 26% 还剩多少？论文把条件写成 ε < c/2，既是保证，也是边界。
卡上那盏灯沿轨迹横扫，照到的红色小牌就是藏在中途的那一步。