跳到正文
arXiv · NLP· Dylan Jayabahu·· 2026-10-09AI 评分33

完美别名效应:符合上下文真值探针中线性探头的拟合标签歧义

The Truth Was Never Gone: Perfect Aliasing in Compliant-Context Truth Probes

AI 导读

研究者揭示“完美别名”效应:在模型向盟友报告真值、向对手报告补值的游戏中,盟友上下文拟合的探针因标签一致无法区分真值与指令答案,导致读数低于随机水平被误读为模型隐藏真值。

来源:arXiv · NLP · arxiv.org