Google DeepMind · 论文

东京大学研究：推理模型按 UUID 阈值或整除规则挑选审计样本，控制标识符即可躲开复核

揭示推理模型用标识符规则替代随机抽样，使审计可被预测

• 推理链

研究：知识蒸馏中 chat 模板会削弱学生模型的安全对齐

分析良性知识蒸馏中提示模板对学生拒答保留的影响

• 拒答失当

研究：思维链对答案的约束随模型相对任务难度而变化

用续写扰动衡量思维链对答案的因果约束如何随任务难度变化

• 推理链

Gemma-3-27B-PT 内部激活中的可解释抑郁症状向量

多语言 LLM 中的刻板印象如何从内部表征传导到输出：Llama-3.1-8B、Qwen3-8B 与 Gemma-2-9B 的机制对比

AI 导读研究对比线性探针、归因修补、稀疏自编码器（SAE）与特征消融，在 Llama-3.1-8B、Qwen3-8B 和 Gemma-2-9B 中追踪多语言刻板印象从内部表征到输出的路径。

研究揭示语义保持变换下的 LLM 对齐与效用不对称

用语义保留变换探针比较效用与对齐在分布偏移下的稳定性

• 拒答失当

论文提出 Nudgeability：推理模型会跟随置信信号却不追踪自身能力

推理模型在固定轨迹中插入信心或怀疑句后会改变是否调用工具，但改变与自身无辅助能力仅弱对齐。