大型语言模型往往拥有未在输出中显露的知识，模型可能在能力评估中故意保留答案，或因内部缺失而无法回答，仅凭外部输出难以判断是隐藏还是未知。我们借鉴法医学中的隐蔽信息测试（Concealed Information Test），该方法通过在多个合理干扰项中加入真实细节，观察受测者对真实项的更强反应来识别有罪知识。基于此思路，我们提出内部识别探测（Probe of Internal Recognition，PIR），在模型内部呈现一道多选题并读取其内部状态，判断模型对哪个选项产生了更强的识别信号。PIR 不依赖参考模型或标注真值语料，完全自洽。实验覆盖五个模型家族（Gemma、Qwen、Llama、Mistral、Phi）共八个模型，PIR 在平衡准确率上达到 0.70‑0.87，远高于未知项基线 0.28‑0.40 与随机 0.25。无论是提示诱导的欺骗、训练阶段的故意保留，还是外部密码锁、断路检查点等多种隐藏方式，PIR 的识别率均保持在 0.85‑0.93。当模型隐藏已知答案时，识别仍然强烈；而通过“忘记”删除知识后，识别降至模型从未学习过的水平。由此，PIR 能区分“不会回答”与“不会回答因为不知道”，为沙袋行为审计和知识消除验证提供工具。该信号具因果性，补充了黑箱行为线索，并可从多选题扩展到自由生成任务。
点评