来自 arXiv 的最新预印本论文 Geometry-Lite 关注一个容易被平均检测指标掩盖的问题：大型语言模型的提示级安全探针虽然能够较好地区分安全与不安全提示，但这种分离背后的几何结构并不清楚。作者将这一问题作为经验分解问题来研究，并提出一种紧凑的提示级探针 Geometry-Lite。
该方法的核心做法是：对每一层，取最终提示词元的隐藏状态表示，并在三种读出方式下计算带符号的间隔，分别是质心读出、局部邻域读出以及监督线性边界读出。随后，研究将各层得到的间隔曲线按三个维度进行总结：边界位置、层与层之间的变化，以及粗略形状。这样一来，原本分散在多层隐藏状态中的安全信号就可以被拆解为具有明确含义的组成部分。
实验覆盖九个指令微调主干模型，参数规模从 12 亿到 700 亿，并涉及七个安全基准。结果显示，Geometry-Lite 相比单层探针有明显提升，同时性能接近直接堆叠多层原始分数的做法。作者因此将其定位为分析多层安全信号的一种有用工具，而不仅仅是一个高性能分类器。
分解分析给出了几个关键发现。首先，安全证据主要通过持续的边界位置几何来表达：最终间隔或极值间隔，以及不安全一侧的层占用情况，主导了整体检测性能。相比之下，有限差分漂移和结构摘要对汇总 AUROC 的贡献很小。不过，在低假阳性率阈值发生偏移时，漂移能够提供小幅度的、偏向召回率的修正。
另一个重要观察涉及基准迁移下的稳定性。优化的线性边界在训练混合数据上表现锐利，但在分布变化时可能不够稳健；类条件均值几何则在预定义的困难留出子集上更可靠地保持了分离能力。这说明不同读出方式带有各自的几何偏差，而这些偏差在决策关键场景中会变得明显。
总体而言，论文的结论是：提示级安全证据的主要形式并不是层间运动信号，而是一种持续存在的逐层间隔几何。该工作通过可解释的分解方式，让有用的几何成分以及不同读出层面的偏差在决策敏感区域中变得可见，为理解并改进语言模型安全探针提供了新的分析视角。