LADDER：诊断噪声反馈下语言模型的领域级自我评估
研究者提出 LADDER，用于研究语言模型在不可靠反馈下如何进行自我评估。结果显示，模型能准确报告给定的性能信息，却难以从交互经验中形成可信的自我评估，表面准确的评估会掩盖能力差异，也不一定能预测未来任务表现。研究为在人机协作中评估模型能力意识提供了实证依据。
#自我模型
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分3535
arXiv · cs.AIAI 评分4141 超越 LLM：面向心理建模、模拟、演化与可解释性的心理世界模型框架（MWM）
研究者提出心理世界模型（MWM）及其实现 Multi-Branch Mental Evolution Architecture（MMEA），显式构建主观世界、建模认知与心理状态交互，并模拟受历史经验塑造的持续心理演化。MMEA 在 DynToM 和 RecToM 上分别取得 96.48% 和 94.00% 准确率，超过主流 LLM 和专门 ToM 方法，并在心理状态与行为预测、长序列预测、隐式心理状态推理上分别提升 28.7、39.3、16.6 个百分点。
arXiv · cs.AIAI 评分2424 用可解释语义表征分解 LLaMA2-7B 与大脑对齐
研究用 SCRIBE——一个覆盖 65 个神经认知语义属性的可解释语义表征——分解 LLaMA2-7B 与大脑对齐的构成。对 7 名受试者听叙事故事的自然主义 fMRI 数据做方差分解发现，共享方差在全脑及语言相关脑区占主导，具体语义属性比抽象属性的共享方差更大。结果表明相当一部分脑-LLM 对齐与可解释语义信息相关，同时存在超出 LLaMA2-7B 表征的互补语义信息。
arXiv · cs.CL精选AI 评分5252 arXiv 论文：跨模型 in-context 神经反馈揭示 LLM 对自身激活的控制能力有限
arXiv 论文 arXiv:2610.20179 提出跨模型 in-context 神经反馈方法，测试 5 个家族共 10 个 9B 到 32B 的开放权重模型，检验语言模型能否控制自身激活。部分模型能明显移动自己的激活分数，但幅度不超过同等能力的写手模型；预填固定句子后仅 3 个模型表现出小而稳定的控制效应；在欺骗监测器实验中无模型能降低监测分数，仅 1 个模型能抬高它。作者认为这种控制能力尚不构成对激活监测器的威胁，但需随模型演进持续追踪。
推荐理由：论文用跨模型写手和预填句子的实验设计，把任务能力与对自身激活的真实控制区分开，结论有明确证据支撑。
arXiv · cs.CLAI 评分4343 Jev-ToM：在类型化决策模型中评测心智理论
arXiv 论文提出 Jev-ToM 评测框架，对比 5 个类型化决策模型与 7 个生成式基线，在来自九个 ToM benchmark 的 11,117 道英文题上进行测试。TypeSafe Jev 达到 73.2% source-balanced accuracy，在全部六类能力中排名前二，在信念、目标/意图与情绪方面领先。资源对比显示 Jev 可降低重复 ToM 选择的成本与等待时间，但其基于置信度的选择仍依赖具体 benchmark。