研究提出通过内部结构特征识别大模型真实内省

2026年10月，研究人员提出在受控设定下区分大语言模型真实自述与虚构内省的特征方法。实验发现，对隐式决策任务进行持续微调可使模型自发涌现准确的偏好自述，同时伴随偏好表征向网络更早层转移。此外，利用归因修补（attribution patching），研究证实真实模型在决策与自述任务间具有显著更高的归因相似度，可仅凭网络结构特征有效区分大模型内省的真实性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。