LLM内部状态研究揭示恶意动机表征不足
热点事件持续更新
LLM内部状态研究揭示恶意动机表征不足
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
xiaoyan Wu与Fan Shi于2026年11月3日发表研究，揭示对齐后大语言模型在解释他人行为时，比人类更多归因于善意、更少归因于恶意。 通过线性探针比较内部状态与输出评分，该研究定位偏差的两个来源：在自利和伤害意图上，内部读出与表达评分无差异，说明低分源于内部恶意信号弱，而非输出阶段抑制；在责任和关心他人上，表达评分高于内部读出，显示存在输出放大。
AI 根据报道生成 · 1 小时前更新
最新进展11月3日 13:00
大语言模型低估恶意倾向并高估善动机的机制研究报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · AI大语言模型低估恶意倾向并高估善动机的机制研究
研究发现，对齐后的大语言模型在解释他人行为时，比人类更多地归因于善意、更少归因于恶意。通过线性探针比较内部状态与输出评分，揭示了这一偏差的两个来源：内部表征中恶意信号减弱，以及输出阶段对善意动机的放大。 具体而言，在两种恶意动机（自利和伤害意图）上，内部读出与表达评分无差异，表明低分源于信号弱而非输出抑制；在两种善意动机（责任和关心他人）上，表达评分高于内部读出，表明存在输出放大。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。