可解释性arXiv:2610.09384 · 10月7日人格层级模型解释微调 LLM 的上下文泛化提出人格层级模型解释微调行为的上下文泛化，并用 PPR 抑制奖励作弊模型与 API·测试Qwen3-4B、Llama-3.1-8B-Instruct·模型层模型加固奖励作弊摘要提出人格层级模型揭示微调跨上下文泛化规律，报告角色距离正相关性，通过 PPR 抑制 RL 作弊。完整解读
防御arXiv:2609.19101 · 9月17日用内部表征监控与发现 LLM 评测中的奖励作弊提出 DoM 激活探针，监控并发现评测中的奖励作弊编程 Agent·测试Kimi K3、GLM 5.2、Qwen 3.8 Max 等 7 个·模型层监控与审计奖励作弊监控器摘要论文分析了前沿开源模型在评测中的奖励投机，展示了利用内部激活均值差向量低成本监控与发现投机行为的可行性。完整解读