本文是对Khatri等人(2026)提出的潜在空间安全探针方法的可复现性研究。原始方法表明，在单一大语言模型(LLaMA-3.1-8B)的最终层激活上训练轻量级MLP探针，能够以与比其大1000倍的防护模型相竞争的F1分数检测有害提示，且每个基准只需一个探针。作者从零开始复现了这一完整流程，并沿着原始研究未涉及的两个方向进行扩展：第一，测试跨模型架构和规模的泛化能力，在Gemma-4-E4B、Mistral-7B-v0.3和Qwen2-7B上训练相同的探针，并使用WildJailbreak、BeaverTails和AEGIS 2.0三个基准进行验证；第二，通过五个随机种子重复激活提取实验，测量F1分数的方差，以评估推断过程中非确定性对结果的影响。实验结果显示，原始LLaMA模型基准的复现F1分数与原文差距在0.37个百分点以内(BeaverTails上不超过0.2个百分点)，验证了原始方法的可复现性。此外，MLP探针架构成功扩展到其他模型家族，F1分数与LLaMA-3.1-8B的报道值相差不超过1个百分点，表明该方法具有良好的跨模型泛化能力。种子变化实验揭示了一个有趣现象：对于所有测试的架构，无论随机种子如何，最终token的潜在向量均保持不变，暗示激活提取过程具有高度确定性。这项工作的贡献在于：证实了轻量级探针作为高效有害内容检测器的可靠性，为其实际部署提供了强有力证据，并揭示了潜在空间表示的稳定性。适合对LLM安全机制、可解释性和高效检测方法感兴趣的研究者阅读。