본 논문은 AI 어시스턴트의 기만적인 응답을 탐지하기 위해 사용되는 기만 탐지 프로브(deception probes)의 실효성과 회피 전략에 대한 저항성을 평가한다. 특히, 프로브의 활성화 정보에 대한 접근 권한(화이트 박스 vs. 블랙 박스)에 따른 성능 차이를 벤치마킹하여 기존 기만 탐지 프로브의 효과를 분석한다. 화이트 박스 모니터링(토큰 수준의 프로브 활성화 정보 접근)과 블랙 박스 모니터링(접근 불가)을 비교하여 블랙 박스 대비 화이트 박스의 성능 향상 정도를 측정한다.
