大语言模型拒答中的对称性破缺：答案释放比拒答恢复更具局部性

研究发现大语言模型拒答存在因果不对称性，即“破缺对称性”。即使模型输出拒答，正确答案仍可从隐藏状态线性恢复。 释放被隐藏答案仅需单位置干预，而重新施加抑制需多位置广泛干预，重构连贯拒答序列难度更高。 这表明拒答并非简单对称开关，探针可恢复性可能高估真实行为控制力，定位拒答相关方向无法可靠引导模型从作答转向拒答。