arXiv · cs.CL· Zilu Tang·· 1 天前AI 评分50
干预式训练减少大语言模型内省中的因果绕过
Interventional Training Reduces Causal Bypass in In-Context Introspection
来源与原文
arXiv · cs.CL
作者：Zilu Tang
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.38911v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项 arXiv 预印本研究发现，直接用 SFT 训练语言模型进行内省会引发“因果绕过”，即自报告依赖与对象相关但无因果关系的信息。作者在 3 类低层信号和 8 个 LM 上训练数百个内省器，并提出干预式训练——让模型报告反事实扰动后的值。该方法提升了对内生与注入信号的内省精度，在分布外数据上表现尤佳，且机制可跨 token 位置泛化。
来源：arXiv · cs.CL · arxiv.org