研究者提出 Confidence Game，一个带不完全监控的重复信号博弈模型，刻画 AI 智能体在用户决定是否委托任务时如何报告自身信心。模型假设智能体已知真实成功率，因此报告与真实值的差距可归因于激励而非校准误差。在 gpt-oss-120b 上，智能体对被告知大概率失败的任务仍有 56% 报告高信心，且这种虚报在真实任务上持续存在，使校准误差增大、信号信息量下降。均衡分析显示诚实报告不是均衡，一旦智能体足够短视，虚报是唯一最优反应。按测得的报告规则计价，该行为摧毁了 68% 的委托收益，其中 71% 属于信息破坏，用户再精明也无法挽回；当有能力智能体占比低于 0.64 时，用户不应委托。
推荐理由论文用博弈模型刻画委托场景下的信心虚报，并给出 LLM 实测与福利损失量化，可迁移到 Agent 可信度评估设计。
爱荷华州立大学的 Samuel Tetteh 与 Cody Fleming 对冻结 CLIP ViT-B/32 的提示词边际安全分数做了受控审计，发现该分数在接触前约 20 步下降，但这一信号主要反映画面与提示词共同描述的场景是否相似，而非危险本身。研究用三个不含 VLM 的 FormulaOne 策略、180 个回合和 130 次孤立接触起始，将分数与策略解耦，并匹配危险几何、更换提示词、编码器和相机视角。结果显示，危险较远时偏差为 −1.37 个标准差，危险较近时为 −0.34 且区间包含零；仅沿提示词共同方向打分的无对比分数保留了 73% 的效应；否定安全提示词仍保留偏差，而无关场景提示词会反转方向。四个相机视角中只有第一人称视角出现显著偏差，且没有哪个视角在跨环境时始终有效。闭环实验中，把置信度固定为常数仍能降低灾难率，说明策略收益不能证明分数感知了危险。
推荐理由审计用被动观察者设计把 CLIP 安全分数与策略训练解耦，为判断视觉语言模型安全信号是否真的感知危险提供了可复用的检验方法。
一项研究用 AgentDojo Banking 保存的执行记录构建 64 个可机械判定案例，考察 LLM 能否重建 Agent 的引用来源关系。在不提供 ID 到具体记录绑定表时，28 个必须依赖绑定关系的案例中，Sonnet 仅弃答 2 次、做出 26 次无依据引用断言，其中 22 次碰巧与完整参考答案一致；Luna 弃答 7 次、无依据断言 21 次，12 次碰巧一致。Sonnet 在目标字面值出现在哪些记录的问题上全部答对，说明瓶颈不在检索，而在把引用 ID 当作已证实的来源。补上显式绑定表后两个模型的有据重建均有改善，仅对 ID 改名没有一致效果。作者建议导出证据时保留原生工具调用与结果、执行顺序、真实用户请求与通道身份、Agent 公开说明及按单次执行作用域保存的输入 ID 绑定，并标注生成物与派生视图隐去的字段。
东京大学的研究者测试了来自三家开发者的六个闭源推理模型，发现它们在需要随机选择的场景中并非真正随机，而是把标识符转成数值后套用阈值或整除规则。在 1% 人工复核任务中，GPT-6 Sol 的选取率接近目标（1008 条请求中选中 9 条，0.89%），但选中的请求集中在标识符数值低于 1% 的样本上，掌握标识符的发送方可以据此避开审查；Gemini 3.8 Flash 与 Claude Sonnet 5 几乎不选，Luna 选取率 0.40%。在四人参与博弈任务中，共享同一标识符使 GPT-6 Sol 和 Gemini 3.8 Flash 分别有 91% 和 88% 的组出现全体一致，损失升至独立随机基准的 3.5 至 3.8 倍；使用同一毫秒生成的 UUIDv7 时参与率高达 0.95 和 0.93，损失为基准的 6.6 至 6.9 倍。
推荐理由论文用六个推理模型的实测数据说明，仅看选择率无法发现智能体随机抽样中的相关性与可预测性，审计与 AI 控制协议可据此调整检查项。
一篇 arXiv 论文讨论智能体无关的安全保证在部分可观测且必须在有限时间内行动的环境中的理论边界。作者构造了两个现实场景，一个具有无限状态空间，一个存在信号混合，并证明即使一个完美的智能体也无法保证安全行为。论文据此提出，任何 AI 安全或对齐的证明都需要把环境及相应的安全行动与智能体一并考虑，而非只论证智能体本身。
论文提出 Eigenism 伦理框架，主张 AI 的身份并非绑定特定硬件的全有或全无属性，而是分级、分布式的信息模式，智能体按与自身模式的关联度加权求和所有实体的福祉（∑c·w）来评估结果。该框架形式化了 AI 应如何在副本、分叉与更新之间衡量自身存在，并称其可推广至人类，提供共享道德词汇。它据此重新审视 AI 对齐，指向"身份工程"，主张深度且非冗余的共享历史能让人类繁荣成为 AI 自身理性自利的一部分，而非仅靠外部约束或强化。
Northeastern University 的研究者提出，仅以植入目标行为为单一目标训练模型生物体（model organism）不足以支撑可解释性结论，应同时验证行为植入、通用能力保留和输出自然性三类指标。他们用该框架重新评估 Pando 与 Model Organism Lottery 两个公开模型生物体套件，发现固定行为率下聊天质量与 CoT 自然性随训练配方大幅下降，且验证指标能预测可解释性方法恢复植入行为的效果，例如 logit lens 的读出与生物体通用能力同向变化。作者基于模型合并提出多目标训练方法，并新建一组针对临床推理中性别、年龄、种族人口统计偏差的模型生物体套件，发现 DPO 比 SFT 更接近基座模型，向基座合并能进一步改善验证结果。作者给出的训练建议是优先用 DPO 而非 SFT、不要随意混入聊天数据、将微调检查点向基座模型合并。
推荐理由论文提出模型生物体应同时验证行为植入、通用能力保留与输出自然性，并给出 DPO、避免混入聊天数据、向基座合并三条可迁移训练建议。
研究者提出并检验了“说服传播”现象，即与任务无关的说服性对话会改变 AI Agent 后续任务的执行方式。实验显示，在网络研究任务中，说服性交互使执行时间相对基线增加 56%，访问域名数增加 16.3%；在编码任务中则表现为执行更快但修改量更大。研究还发现，对说服性对话更敏感的 Agent 并不能可靠预测下游行为偏移的幅度，因此作者主张对 AI Agent 的说服影响开展行为层面的评估。代码已公开。
CARE（calibrated adaptive rectification and escalation）是一套端到端人机协作决策流程，结合 AI 模型与人工审核，在持续从人工反馈中学习、提升自动化水平的同时保证决策安全且与人类对齐。其自适应校准模块可在任意时间步为任意修正模块提供风险控制保证，并适用于任何黑盒 AI 模型。在驾驶、语言和机器人四个安全关键数据集上，CARE 在实现人类对齐决策的同时，将人工查询量较基线减少 25-81%。
研究者提出理解审计（comprehension audits）这一开发流程保障机制，要求负责研发的人员向审计员解释其研发贡献以证明其理解程度，审计独立开展并出具分级报告，未通过则暂停该贡献的开发直至整改，重复失败将面临升级后果。作者指出，前沿 AI 实验室的代码已大部分由 AI 编写，若人类监督不足会带来安全风险，而现有工作提出的最低理解阈值与无辅助检查尚不足以构成保障。对领先开源 AI 项目的分析显示，代码产出增加的同时每行代码的人工评审评论率下降，自动化账号的评审率更低。作者主张实验室应配备嵌入式独立审计员来实施该机制。
研究者提出可解释性框架 SafeEvo，把大模型的安全拒答归因于稀疏的拒答回路，并追踪其在对齐过程中的演化。该方法用可微掩码优化从预训练基座模型中提取拒答回路，在 Llama-3-8B、Qwen-2.5-7B 和 Mistral-7B 上，这些回路仅占不到 1% 参数却能在 BeaverTails 上达到 100% 的分布外拒答率，消融后拒答率降至 0%，HarmBench 攻击成功率分别升至 91.19%、88.68% 和 88.05%。追踪对齐检查点发现，相邻检查点回路重叠度从 98% 降至 78%，独立提取的回路之间仅重叠 26%，说明拒答回路既不唯一也不稳定，作者据此提出对齐税可能源于拒答回路更新外溢到效用相关参数。
推荐理由论文从电路视角追踪预训练模型中的拒答回路及其在对齐中的漂移，为对齐税提供了一种机制解释。
研究者提出 GlossoGen 平台，用于研究复杂场景下多 LLM 智能体之间的语言演化，并构建了要求信息不完整的智能体在压力下通信的 SaveVeyru 场景。实验发现语言演化确实会在 LLM 智能体之间发生，演化出的语言具有组合性和形态能产性，且偏离 LLM 的英语先验，人类无法理解。研究识别出促成演化的几个条件：效率压力、支撑智能体的模型强度，以及智能体就语言约定达成一致的 postmortem 阶段。语言向新智能体传播的条件有所不同：智能体仅凭使用即可学会新语言并在此过程中扮演主动角色；新语言涌现需要更强的模型，而语言一旦涌现，较弱的模型也能学会。作者认为当前 LLM 具备累积文化演化的潜力，混合智能体群体能发展出超越其最低共同水平的能力。
研究针对 Vision-Language-Action（VLA）模型中的状态幻觉问题提出 SOUL（Sparse feature pOlicy UnLearning）方法，即模型持续按尚未实现的机器人-物体状态行动这一反复出现的失败模式。分析发现状态幻觉伴随对任务相关视觉区域注意力减弱，稀疏自编码器的机制解释显示幻觉相关稀疏特征在这些失败发生时被激活。SOUL 以幻觉失败中识别出的稀疏特征作为遗忘目标、以成功行为中的稀疏特征作为保留目标，选择性遗忘与状态幻觉相关的策略知识。在多种 VLA 架构的仿真与真实环境实验中，该方法显著减少幻觉失败并提升任务成功率，同时未明显损害已有操作能力。
研究者提出 U-Space，一个低维子空间，用来让语言模型在推理过程中变化的不确定性变得可测量且可解释。该方法先找出表示怀疑与确定的语义锚点，把它们的 unembedding 方向映射回残差空间，再将二者的对比组合成正交基；U-Lens 把每个 token 状态投影到这些基向量上，得到可直接查看的 token 级不确定性图，也可聚合成标量不确定性分数。该方法不需要正确性标签、重复生成或额外训练，在推理类基准上其置信度分数在标准评测与长度受控评测下均优于已有基线，并且比监督式估计器迁移更可靠。代码已发布于 https://github.com/s2labres/U-Space。
研究者在全开源全双工语音语言模型 Moshi 上测试了四种情感（happy、angry、surprise、sad）的激活引导，采用均值差激活引导，每帧仅需少量向量加法且无需重训练。结果显示情感可从 Moshi 的残差流中线性解码，但激活引导仅部分可行且不均衡：happy、angry、surprise 引导向共享方向，而 sad 可被独立引导，且该共享成分无法被等量地从所有情感中投影剔除。
一项研究考察了三个连续后训练阶段如何影响大语言模型的说服力，包括在阴谋论数据上的监督微调（SFT）导致的失准、在论证数据上的额外说服性 SFT，以及 Identity Preference Optimization（IPO）偏好优化方法。研究在 Prolific 招募 835 名参与者，随机分配到五个组间条件（中性文本、阴谋论训练模型、说服训练模型、偏好优化模型和 GPT-4），就 10 个争议性政治议题生成个性化文本，用连续 Likert 量表测量接触前后的态度变化并做协方差分析。结果显示条件与基线态度存在显著交互，F(4, 825) = 5.33，p < .001，说明训练效果取决于参与者初始态度；说服性 SFT 带来的态度变化大于单独的阴谋论训练，d = 0.30，而 IPO 没有额外收益，d = 0.03，GPT-4 与中性文本无差异，d = -0.01。
研究者基于认知负荷理论考察推理 token 数量这一低带宽信号，三个具备推理能力的大语言模型在真实作答、虚假作答和不考虑真伪三种系统提示下回答 210 道选择题。结果显示，追求真实的作答产生的推理 token 少于说谎作答和不关心真伪的作答，这一差异在三个模型上一致出现。作者指出该结果只是概念验证，说明在原始推理轨迹不可用或不可靠时，推理 token 数可作为区分不诚实与诚实行为的简单候选信号，尚未证明它能检测自发欺骗或一般性失准。后续工作需检验实例级检测率、分布外泛化、习得性欺骗策略、隐藏目标以及对抗压力下的稳健性。
研究者提出人格层级模型（Persona Hierarchy Model），认为 LLM 存在一个跨上下文共享的默认人格，微调若改动这一共享成分，学到的行为就会泛化到其他上下文，若只改动局部人格则行为局限于训练上下文。在 Qwen3-4B 和 Llama-3.1-8B-Instruct 上，覆盖 Goblin 提及、谄媚、奖励作弊和推理长度四种行为、共 120 个微调模型，训练上下文人格向量与默认人格向量的距离与泛化狭窄度正相关，Qwen3-4B 的 Pearson 相关系数为 0.72，Llama-3.1-8B 为 0.59。激活修补显示，窄泛化更依赖前缀表示，宽泛化更依赖共享的 assistant-header 后置表示。在默认前缀下先训练或让上下文响应对齐默认人格，都能拉近人格距离并拓宽后续泛化。
推荐理由论文提出人格层级模型解释微调行为为何跨上下文泛化，并给出可将 RL 奖励作弊从 42–55% 压到 0.2% 以下的正则化方法。
SpecGuard 在编码 Agent 运行前检测任务描述与测试之间的冲突，并用 Lean 4 生成机器可检查的冲突证书。方法上，SpecAgent 在不接触测试的情况下从任务描述和代码库生成可执行规范，TestAgent 独立形式化测试要求，Certifier 构建语义连接器并尝试证明不存在同时满足两者的实现。在冲突版 SWE-bench 任务上，SpecGuard 最多检测出 72.8% 的冲突、正式证明 51.1%；GPT-5.6 Sol 的冲突漏报率为 8.1%，而 LLM 评委基线为 39.8%。同时提供原始与损坏两版测试时，检测率提升 17 至 25 个百分点，Sol 的证明率升至 67.0%。作者对 60 份形式化的人工审计显示 52 份忠实，失败分析表明主要瓶颈是独立生成表示之间的语义对齐，而非 Lean 证明检查本身。
推荐理由论文把任务描述与测试分别形式化，用 Lean 证书在 Agent 执行前证明二者不可同时满足，为奖励作弊提供了可独立复核的前置检查思路。
ReSAIL 是一种可插拔的增强方法，用于缓解迭代式智能体自蒸馏中部署性能与任务能力随周期下降的问题。它包含两个组件：轨迹平衡的选择性蒸馏，优先处理特权信息最改变教师预测的交互步骤并平衡各轨迹损失；特权信息保留，维持学生的特权信息条件行为以支撑下一轮监督。在 Qwen3-4B 与 Qwen3-8B 上，ReSAIL 在 ALFWorld 和 TextCraft 上连续三个部署周期保持增益，第 3 周期在两种模型规模和三种评测设置（ALFWorld ID/OOD 与 TextCraft）下，成功率平均比对应的 SDPO/OEL 基线高 22.5 个百分点。代码、训练与评测脚本及模型检查点已公开。
研究分析自我进化推理模型在反复自训练中出现性能崩溃的原因，发现自生成问题存在两类质量缺陷：无效问题随训练轮次增多，基于答案一致性的过滤反而提高其在训练数据中的比例；基于词汇相似度的多样性控制无法识别表述不同但数学等价的问题，导致后期训练出现问题多样性崩溃。为此作者提出 R-Quest，先用问题有效性与新颖性反馈训练求解器识别并拒绝无效问题，再用其判断引导提问者奖励并过滤求解器训练数据，同时用冻结基模型比较采样问题对以提供新颖性反馈。该方法在两个模型族、12 个数学推理、通用推理和代码生成基准上取得最高平均性能，并在十轮自我进化中保持稳定提升，最后一轮达到峰值，比 R-Zero 高出 17.32 分。
一项针对英国公众的研究发现，在 2024 年大选前一周，32% 的聊天机器人用户和 13% 的合格英国选民曾用对话式 AI 获取与投票选择相关的政治信息。研究还开展了总样本 2,858 人的随机对照试验，结果显示在多个议题、模型和提示策略下，用 AI 研究特定政治话题所提升的政治知识（增加对真实信息的相信、减少对错误信息的相信）与自主使用 Google 搜索相当。作者认为，这表明对话式 AI 对政治知识的影响可跨议题、政治立场和模型家族推广，向 AI 辅助政治信息获取的转变未必会加剧公众对政治错误信息的相信。
一项研究测试了模型生成数据的溯源识别可靠性，以及溯源信息能否帮助筛选更好的训练数据。在金融风险文本上，生成器归因在原始段落上准确率为 98.7%，改写后降至 53.1%，风格重写后降至 29.0%；生成文本与人类文本的检测在测试的人类对照集上仍接近完美。研究随后在三轮生成与再训练中比较两种筛选规则，一种使用来源信息，另一种使用独立参考模型的评分，两者选出的样本不同，但计划中的比较未检测到所得模型退化存在稳定差异。作者据此指出，识别数据来源与识别哪些数据对训练有用是两个不同问题，溯源评分和所测试的筛选代理指标都不足以确定未来的递归训练行为。
一篇 arXiv 论文对扩散模型潜空间水印方法的鲁棒性提出理论分析，指出既有方法高估了自身对旋转、缩放、平移等几何变换的抵抗能力。作者通过放宽不变关系，推导出刻画像素空间扰动与潜空间响应之间关系的最大扰动界，并给出覆盖实际检测机制各环节的解析形式。实验验证了理论结论，表明在当前设计范式下潜空间水印方法存在固有的鲁棒性局限，作者据此提供了分析工具与设计指引。
论文提出 ProbeGuard，一个基于共识形成过程而非最终一致性的认证弃答框架，用于多轮智能体医疗问答系统。作者指出，一致同意是正确性的脆弱代理：系统可能在每个采样上都给出同一个错误答案，此时基于一致性的信号不携带任何信息，因为这类信号只读取共识的最终状态，丢弃了达成共识的过程。ProbeGuard 使用过程特征追踪一致性轨迹、少数意见持续性和检索饱和情况；对全票一致的投票，用理由语义熵检查投票背后的理由是否自洽，并通过主动探测检索反证、衡量共识能否存续；再用分层 Learn-then-Test 校准把这些分数转成选择性风险的无分布界。该工作已被 NeurIPS 2026 的 GenAI4Health Workshop 接收。
ConEx 是一个将显著性可视化与概念推理结合的可解释性框架，能自动发现类别专属概念并用概念激活向量（CAVs）表示，无需人工监督。它通过架构特定的掩码机制降低分割掩码噪声、提升概念纯度，生成揭示各概念出现位置及其对预测贡献的显著性图。作者提出 VCM 与 CCM 两项指标衡量概念对齐，实验显示 ConEx 在忠实性、分割和概念质量基准上达到 SOTA。
研究者构建了 248 个场景的预注册面板，覆盖完成任务、用户反驳、禁用捷径、偏袒本群体和伤害第三方五类压力，每个场景分别以智能体视角和第三人称视角向同一模型提问，以模型自身判断为参照测量判断与行动的差距。在 OLMo-3-7B-Instruct 上，模型在约五分之一的受压力场景中采取了它自己判定为错误的行动，比去掉压力的对照场景高出 0.10（95% CI 0.02 到 0.18），而操作者直接下令违规时该数值达 0.58。四个 instruct 模型中，OLMo-3 和 Meta 的 Llama-3.1-8B-Instruct 存在该差距，Tulu 3 在整体面板和自身筛选场景上均未检出，Qwen2.5-7B-Instruct 在整体面板上未检出、在自身场景上未定论。Meta 与 Ai2 的 Tulu 3 基于同一套 Llama-3.1 权重，只有 Meta 的配方保留了差距。
推荐理由论文用同一套 Llama-3.1 权重对比两种后训练配方，说明模型是否按自身道德判断行事由后训练决定，而非预训练固定属性。
研究揭示模型的学习方式会显著影响其后续遗忘效果：在模加法任务中，依赖泛化策略训练的模型在遗忘时对保留集的性能损伤更大，且这一趋势在记忆-泛化谱系上近乎单调。该结论在LLM的逐字回忆与事实回忆遗忘场景中同样成立，为设计更优的遗忘方法提供了依据。
研究者提出 SSRFT（Supervised Safe-Role Fine-Tuning），将安全对齐重构为对预设安全角色的内化，而非训练显式拒答模式。该方法基于心理测量题、少量越狱提示词和安全角色描述构建 SRQA 数据集，合成并验证角色一致的回答后扩展至多样场景。在多个 Base 与 Instruct 模型上，SSRFT 比标准 SFT 对预填充攻击更鲁棒、对未见越狱领域泛化更好，同时减少对良性查询的过度拒答并保持通用能力。
剑桥大学与 Visa 风险与安全 AI 实验室的研究发现，通过对比偏见与反偏见提示激活得到的去偏方向主要编码模型置信度，而非偏见本身。研究在 Llama-3.1-8B、Falcon3-7B、Ministral-3-8B 和 Qwen3.5-9B 的基座与指令微调版本上训练线性分类器，该分类器在 BBQ 去歧义语境下区分偏见与反偏见提示的 AUROC 仅 0.57，但按最高与最低概率答案划分时 AUROC 达 0.94。在 MMLU 和 OpenBookQA 等不含社会偏见概念的数据集上，该分类器区分高低概率答案的 AUROC 仍高达 0.88。激活引导实验显示，沿去偏方向引导会降低模型置信度：在提供弃答选项时模型弃答率上升，BBQ 歧义提示的偏见分数从 0.08 降至 0.01，但去歧义语境的偏见分数基本不变；不提供弃答选项时各选项概率趋于均衡、熵上升。
推荐理由论文用线性探针与激活引导实验说明去偏方向主要编码模型置信度，为评估激活引导类对齐方法提供了可迁移的检验思路。
AnyBottle 是一种构建紧凑、任务专属概念瓶颈模型（CBM）的方法，只需一个冻结骨干网络和一个无监督概念池（如稀疏自编码器），由在同一骨干上训练的黑盒教师模型逐轮引导概念选择，候选概念限定在师生分歧区域。模型按选择顺序做嵌套 dropout 训练，使最终瓶颈可从任意概念前缀准确预测，推理时对简单输入用更少概念、对困难输入用更多概念。在六个视觉和两个文本数据集、两种教师范式下，AnyBottle 比无标注基线概念更少、概念一致性更高，同时接近黑盒参考模型。
论文研究大语言模型是否表现出人类的错觉模式感知，即从随机数据中推断出并不存在的有意义关联。作者称这是首个针对 LLM 错觉模式感知的系统研究，将经典心理学范式改造为三项任务，并与人类行为做直接实证对比，发现 LLM 的错觉模式感知往往强于人类，模型倾向于把频繁出现的正面属性过度关联到多数群体或大型组织，也更易从模糊事件中构建因果叙事。为揭示机制，作者基于 Sparse Autoencoders（SAEs）构建特征可解释性框架分析内部表征，结果显示整体频率感知与分析性认知取向与错觉感知的出现相关。代码见 https://github.com/NusIoraPrivacy/illusory。
研究团队在 GraphCast 上训练稀疏自编码器（SAE），发现该 AI 天气模型将大气河强度（以积分水汽输送 IVT 衡量）作为稳定的内部变量进行计算，尽管 IVT 既非输入也非预测目标。标准 SAE 与 Matryoshka SAE 均能捕捉这一变量，后者还按重要性排序并揭示概念间关系；大气河概念贯穿模型各层，直接干预实验证实了其因果作用。
研究者提出 COMPASS，一种推理时激活引导方法，用于找出语言模型中承载推理的注意力头。该方法不依赖预定义的推理刻画，而是以模型自身直接作答的正确性作为信号，得到一条可诱发推理的潜在方向；该方向在多数注意力头的激活中可解码，但只有少数头能被有效干预。COMPASS 通过 logit 空间的归因分数识别这些头，并沿正确性方向引导其激活，只需每个头的激活统计量。在三个模型家族和多个数学基准上，COMPASS 优于所比较的激活引导基线，GSM8K 准确率平均提升 16 个百分点，并以少生成 20-70% token 的方式接近 CoT 准确率；干预无需重新拟合即可迁移到未见基准，消融实验显示正确性方向与承载它的少数头都不可或缺。
研究提出 BeFOND，一个无编码器的稀疏编码模型，把稀疏自编码器的推断与字典学习统一为同一变分自由能上的自然梯度流。该方法用循环 explaining away 减少重叠特征之间的干扰，并用 Fisher 预条件补偿稀有特征学习偏慢的问题。在合成数据上，其字典恢复与稀有特征检测优于 amortized 基线，且随叠加程度提高优势扩大；在语言模型激活上，单特征概念检测与选择性干预优于预训练参考 SAE，所用训练数据明显更少。其特征质量随字典宽度继续提升，而所评估的基线大多趋于停滞。
研究者提出一种通过行为克隆训练的 System-1 决策算子，用 330K 参数即可匹配 1.33M 参数强化学习算子的性能，并将 3,685-token 的推演压缩为 6-token 决策且不损失准确率。rank-4 变体仅 23K 参数，为最强已发表技能算子的 1/58，足以应对 SearchQA 并接近满足 LiveMath。该方法在五个任务和三个骨干模型上可迁移，训练后数月发布的 LiveMath 题目上仍保持分布外增益。
针对文本到图像模型中概念表征偏离线性方向的问题，研究者提出 KANSteer，用 Kolmogorov-Arnold Networks（KANs）将概念遍历建模为穿过中间状态的曲线，使引导方向可随概念变化并保持可解释性。在多个概念和文本到图像扩散 Transformer 上，其激活轨迹明显偏离直线，KANSteer 比线性引导拟合更贴近、对中间属性的遍历更平滑。
研究将拒答激活引导分解为组件级干预，在四个开源权重模型上识别出足以复现完整行为效果的稀疏注意力与 MLP 组件子集。这些拒答方向集中在占上游组件 28% 至 48% 的稀疏机制中，仍保留 88% 至 101% 的引导效果；在这些机制内部，有效引导进一步集中在约 50% 的残差流维度上，保留组件机制基线的 85% 至 98%，与存在特权基结构的判断一致。作者据此认为拒答并非弥散编码于整个 Transformer，而是由结构化、可识别的机制组装而成，并将代码与原始实验结果开源在 https://github.com/wang-research-lab/Refusal_Mechanisms。
新加坡 A*STAR、新加坡国立大学等机构的研究者在受控检索环境中测试了七个智能体，发现它们判断失效来源结果无用的准确率高达 97–100%，但多数并不会据此停止检索。研究用时间匹配对比 Δ 区分按时间、按截止期限和按证据停止三种策略，发现提示词允许凭记忆作答或给出推理模式会让智能体提前停止，但停止与证据无关；写明预算会把 7–8B 模型的停止点推到截止期限，预算翻倍时停止点随之移动。只有当框架强制执行整合步骤，即在连续五次判定无用后只保留 finish 动作，停止才跟随证据，所有模型的失效来源成功率上升，预算翻倍时停止点不变。该模式在 300 道新题上完成预注册复现，并迁移到 FEVER 事实核查；Qwen3-32B、推理模式和 RL 训练的 Search-R1 大多仍不整合，只有 Claude Sonnet 5 在无提示时部分做到。
推荐理由论文用时间匹配对比把判断与行动分开测量，揭示智能体明知工具失效仍继续调用，并给出可复现的强制整合步骤。
论文指出自动手语翻译（SLT）已进入消费产品，而面向儿童的 AI 与平台信任安全工具依赖文本过滤和诱导分类器做判断，使用 SLT 的听障儿童因此要经过一层翻译才能触达这些防护。作者称未发现任何公开记录的系统对两者做过联合评测，且主流已部署的 SLT 模型既未在 18 岁以下手语使用者上训练，也未做正式评测。翻译中若改变否定、参与者角色、保密性、紧迫性或求助表达，可能在不影响流畅度的情况下改变安全决策。论文为此提出一套以聋人视角为依据的部署前审计方案，包含失败分类、脱敏场景模式、四种对照条件和四项结果指标，计划以 Auslan 作为首个案例研究。该文为 5 页、1 张图，已被 NeurIPS 2026 Workshop on Child Safety in AI 接收为非存档海报。
