يقترح الباحثون نظام مراقبة في الوقت الفعلي للنماذج اللغوية الكبيرة يستخدم إشارة المُحقّق من نموذج خارجي للكشف عن المخرجات غير الآمنة وقت النشر. يرفع النظام إنذارًا عن طريق عتبة هذه الإشارة، مع معايرة العتبة عبر التحكم في المخاطر.
- يعتمد النهج على تصميم بسيط يتمثل في تطبيق العتبة على إشارة مُحقّق من نموذج خارجي.
- أُجريت تجارب على مجموعات بيانات الاستدلال الرياضي واختبار الاختراق (red teaming).
- تبيّن أن الطريقة تنافسية مقارنة بالمراقبين الأكثر تقدمًا المعتمدين على اختبار الفرضيات المتسلسل.