表征干预

佐治亚大学、罗格斯大学、南加州大学等团队提出 Agent MechSuits，在命令行智能体每一步动作生成前读取模型内部安全信号，仅通过单层 10 个隐藏表征维度进行稀疏干预，主模型权重保持冻结。三种受测模型的当前步骤风险检测平均准确率达 97.32%，论文已被 NeurIPS 2026 接收。