换了新模型，旧探针还能接着用吗

安全团队有个烦人的日常：模型一换代，训好的内部探针就得推倒重训。一项 10 月 26 日提交的单独研究说：先别急，探针可能比你以为的更耐用。

一、发生了什么

线性探针是读模型内部激活的小分类器，常被用来识别有害请求，训练和运行都便宜。审计员最理想的用法是训一次管一串版本，而不是每发一版就重训一次。作者在四个从 70 亿到 320 亿参数不等的开源基座上各训了一个探针，题库用的是那种故意把惊悚词塞进正常请求的安全测试集——专治只会看字面的分类器。然后把这些探针原封不动地搬到该基座的两个后继者身上：一个蒸馏出的推理模型，一个指令微调的对话模型。结果是好消息带刺：后继模型把「安全与不安全」的分离方向转动了十七到三十五度——内部表征确实挪了窝；可探针的判别质量变化极小，在原测试集上的波动不到正负零点零三个 AUC，换一个从没参与训练的独立有害内容题库，波动也很有限。刺在于：在原题库上，探针比只看文本的分类器强出零点一五到零点二个 AUC，说明它读到了文本之外的东西；但换到独立题库上，这个优势收窄到最薄只有零点零三，还有近三到四成听起来吓人实则无害的请求被它误杀——它读到的有一部分只是「危险的长相」。

二、跟你有什么关系

做模型安全审计的：底座换蒸馏版后探针大概率可直接复用，省下的重训成本可以投到更难的题库上。做合规风控的：探针会误伤表述惊悚的正常内容，审核流水线要给它配申诉通道，否则误杀率会把用户体验拖垮。蒸馏自家模型的企业：内部监管探针跟着模型走基本可行，但仍要按新模型重验一轮再上线。

三、怎么判断

1. 先测方向漂移再谈复用：新模型的表征如果转了十几度仍能工作，说明探针抓的是稳定概念，可以留用；转角越大越要加测。
2. 用双题库验收：训练集之外再拿一个独立题库，两边都不塌才能信，只测一组数据会高估它。
3. 分流误杀样本：被探针拦下的内容先过一道人工或文本侧复核，别让「长得危险」直接定罪。
4. 记下适用边界：这项验证覆盖的是特定几个模型家族和两种后继类型，你的模型如果架构差异大，结论要重新验。

四、三个别信的说法

「蒸馏会把安全概念弄丢。」 至少在这些模型家族里，方向转了、判别力还在，概念比想象中结实——旋转不等于清除，抓安全概念的人该松半口气，但只值半口气。

「探针比文本分类器强就万事大吉。」 它的优势依赖题库，遇到逼真包装的正常请求，误伤率会明显抬头。

「复用等于免检。」 论文只覆盖特定四个基座和两个后继者，换架构、换蒸馏方法都要重测，结论不能无限外推；而且三成上下的误杀率摆在那里，宁可在探针后面垫一层便宜的重核，也别让它单独说了算。

五、一句话结论

换模型先别急着重训探针，但一定要换着题库重新考它一遍。

信息来源

• 探针跨模型迁移的测试研究，2026-10-26 提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。