同一个问题，不同的谎言：用于黑盒检测刻意低表现的跨上下文一致性（C³）

随着语言模型能力提升，准确评估其能力对于安全决策至关重要。如果模型能在危险能力评估中故意表现不佳（即“刻意低表现”），就可能逃过针对其真实能力水平设计的安全措施。我们提出跨上下文一致性（C³），一种通用的无监督黑盒检测框架，利用了一个根本差异：真正缺乏能力的模型，会在改写后的问题中持续表现出困惑；而有能力却假装不行的模型，会在策略性地选择“如何显得能力不足”时暴露出可检测的不一致。我们的框架不依赖特定的一致性指标或汇总方法；我们提供了一种简单实现，使用嵌入余弦距离和均值汇总，无需训练数据或针对模型调整。我们在提示式和微调式刻意低表现情境中进行评估，涵盖指令明确和更自然的设置；在其他黑盒方法失效时，C³ 仍能保留分类信号。研究结果揭示了现有刻意低表现检测方法的局限，也表明一致性检查可有效用于危险能力检测。