超越转录文本：检测潜在多智能体通信中的隐蔽协调

语言模型智能体可以通过公开转录文本中不可见的连续隐藏状态进行通信，从而为隐蔽的有害协调创造机会。我们提出 Verifiable Latent Alignments (VLA)，这是一个感知激活的框架，用于监控和引导这些私有通信通道。对于每一个受监控的决策，VLA 使用共享事件标识符将私有潜在状态记录和通道状态与由此产生的公开行动关联起来，从而实现匹配的因果分析。我们的第一项贡献是一个仅基于中性样本的三层监控器，结合了表示异常检测、反事实动作分布影响以及稀疏自编码器解释支持。我们的第二项贡献是一个可引导性框架，涵盖黑盒行为指令和白盒匹配中性反事实。我们的第三项贡献是在受控多智能体拍卖基准上的评估，覆盖同质和异质模型对、多智能体可扩展性以及干预有效性。当将文本串通和潜在串通行合并为正例时，顺序监控器在同质智能体上的平均受试者工作特征曲线下面积 (AUROC) 达到 0.993，在异质模型对上达到 0.854。在包含 25–100 名竞标者的 Qwen3-0.6B 拍卖中，相对于所有可能的有向配对，监控仅需要很小的归一化负载，而完整白盒引导实现了 100% 的出价分布恢复，并将串通性低价出价行为减少了 47.3 个百分点。由于完整白盒引导会重放匹配的中性反事实，其精确恢复在构造上就是一种合理性检查。总体而言，这项受控研究表明，所评估的私有通道攻击可以在不使用攻击样例训练主监控器的情况下被监控，并且在可获得匹配反事实访问时可以被缓解。