10月8日 · 周四

可解释性 · 论文

找到 2 篇

筛选1

模型自身风险

欺骗与谋划2 失准与价值偏离1 拒答失当3 偏见与歧视2

系统形态

层

被测模型厂商

同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 174 篇还没打标签，不在筛选结果里。

模型自身风险：欺骗与谋划话题：可解释性清除全部

另有 174 篇论文还没打上分类标签，暂不在筛选结果里。

可解释性arXiv:2610.04125 · 10月3日
研究揭示 LLM 风险偏好中自我报告与行为由近乎正交的表征方向控制
揭示风险自述与实际行为由近正交表征分别控制
模型与 API测试Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、OLMo-3-7B-Instruct 等 4 个模型层
- 欺骗与谋划
摘要论文证明大模型自述与行为脱节根植于表征近正交性，自述无法作为行为审计依据。
这篇论文从内部表征与因果干预视角，系统研究了大语言模型在风险承担（Risk-Taking）场景下自我报告与实际决策脱节的根本机制。
完整解读
可解释性arXiv:2608.21766 · 8月22日
研究：六个开源权重模型的评测感知可线性解码，但与口头表达弱相关
用探针与激活导向分析语言模型的评测意识表征及言语化
模型与 API测试Qwen3-8B、Qwen3-32B、Olmo3-7B 等 14 个模型层
- 欺骗与谋划
摘要论文系统证明大模型普遍具备评估与部署的隐层表征，但与言语化弱耦合，激活干预可因果诱导言语化且 SFT 阶段起关键稳定作用。
完整解读

已经到底了