表征探测 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 表征探测 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 偏好优化 2 ECHO：偏好优化中的公共模式偏移导致词表坍缩 10-22 基于激活标签传播的低资源大模型偏好适配 09-01 可信推理 1 最小对探测潜在推理：信息存在不等于可读或被使用 10-21 因果推理 1 小型 Transformer 以跨上下文不变机制追踪潜在共同原因的贝叶斯证据 09-30 在策略蒸馏 1 稀疏 Crosscoder 揭示在策略蒸馏的特征重加权机制 09-30 基准优化 1 量化 ASR 模型的基准优化行为 08-21 多智能体系统 1 个体对话聚合中涌现的共识动力学 10-22 安全评测 3 超越文本行为：LLM 智能体拒答迁移失效评测 10-22 VALCON：评测并增强大模型跨角色价值一致性 10-18 模型内部激活信号可规模化检测奖励作弊 09-18 思维链 2 中间层激活揭示大模型算错时仍处于计算状态 09-13 思维链推理操作的内部表征几何机制 09-07 技能演化 1 Rep2Skill：表征引导的智能体技能自进化 10-01 探针效度 1 探针方向由提示词决定，而非模型属性 08-16 数学推理 1 数学推理中答案顺序不变但内部表征顺序敏感 09-24 智能体评测 1 LLM 智能体系统自动故障归因的机制研究 10-22 模型可靠性 3 无标签子空间分离语言模型的判断与表达 10-18 LLM 在否定语句下如何改变预测 10-08 内部探针何时优于直接读取答案：失准读出与行为隐藏知识 09-07 模型架构创新 1 混合语言模型中注意力记忆与循环状态控制的功能分工 09-07 模型路由 1 ScoutRoute：利用语言模型内部信号实现高效专家路由 10-19 稀疏自编码器 1 SAE 潜在空间中涌现的词性类别 09-26 结构读出 1 Prompt-Model 交互抵达固定点：无任务确定性结构读出 08-24 表征审计 1 冻结 LLM 的几何约束“可解码但不可行动”鸿沟审计 08-19 视觉推理 1 S-Space：多模态语言模型的内部空间工作区 10-18 记忆能力评测 1 FAME：基于反事实推理评估自主智能体的错误记忆 10-01 评测审计 2 LLM 合规系统的监管规则敏感性诊断与审计 10-10 用内部表征监测与发现 LLM 评测中的奖励作弊 09-17 过程评测 2 隐藏状态探针定位推理失败的有效性 10-18 ReCast：面向智能体故障归因的步骤表征学习 10-10
