标签
一篇研究帖构建了 CAT-4B——一个用 LoRA 微调后对猫产生执念的 Qwen3.5-4B 模型——作为对照，表明常见的 AI 福祉证据判据（探针 AUC、操控引导、消融、自我-他者分离、缓解按钮）无法区分被植入的倾向性与疼痛或挫败等真实目标状态。
本文提出了一种对方向敏感、相对于读出方式的语言模型语义脆弱性解释，表明异质的任务保持型改写可以具有共同的失效动态，却不存在共同的、独立于输入的失效方向，并在 Qwen3-32B 和 Gemma 4 31B 上进行了验证。
该论文研究扩散语言模型智能体之间能否通过压缩的连续隐藏向量进行因果性通信，发现去噪状态的传递能显著影响接收方推理，且单次晚时传递的效果优于多次重复交换。
本文指出，模型在推理过程中基于自身生成的文本进行自适应时，在长达 128K token 的时间尺度上会出现不稳定现象。为此，作者提出了一种因果分解方法，以及一种名为「Settlement」的验证机制：先在独立文本上测试候选更新，确认有效后再将其保留。该机制在大幅减轻损害的同时，仍保留了真正的自适应能力。
研究借助功能ANOVA（方差分析）分解，揭示了LLM在组合任务中跨层的因果与几何表示机制：中间层采用两token的联合关系表示，后期层则转向三token联合表示，而限制模型仅关注因果相关的表示反而提升了下一token的预测准确率。
本文介绍了WebMRE，一个多模态网络智能体的离线基准，并研究了引导句与动作之间的互增强效应，展示了性能提升并提供了引导作为因果通道的因果性分析。
本文使用激活补丁因果测量思维链中的推理步骤是否关键，发现行为测试高估了忠实性，而更大的模型如Qwen3-4B在不同推理深度上保持更好的忠实性。
本文通过测量因果深度和多token混淆，研究语言模型中的潜在学习，以理解特质如何通过看似无关的输出进行传递。
本文分析了像Moshi和PersonaPlex这样的全双工语音LLMs中的虚假起始问题，并介绍了一种基于因果分析的推理时缓解方法，无需重新训练即可抑制这些问题。
本文提出了HEAL，一种通过因果干预和反事实分析来分析和校准协同头中信息分布的方法，以减轻多模态大型语言模型中的幻觉。
本文提出了一种因果分析框架，用于识别时间序列基础模型中的偏差，并应用于 Chronos-2 和 TimesFM-2.5，揭示了特定的失败模式，如对持续性的过度估计以及对 regime switch 模式的失败。
本文提出了AI模型中亚特征传递的两阶段机制，其中优化器状态传输源扰动，后续训练决定其行为价值。
本文介绍了AgenticRAG-FP，一个用于智能体RAG系统中因果故障归因的干预基准，分析了故障如何在检索跳数间传播，并评估了诊断性能。
本文使用执行重放的因果真值来审计LLM代理中的步骤级信用分配，发现常见的信用信号在识别因果重要步骤方面未能优于随机水平，这对训练方法具有启示意义。
本文研究了混合专家模型中 4-bit KV 缓存量化如何导致路由翻转，发现检测翻转是可能的，但预测翻转是否有害却不可行，并提出了一种因果测量装置而非缓解措施。
本文研究了单令牌稀疏自编码器特征对于模型输出是否具有因果必要性，发现因果角色因SAE家族而异，并且对训练方法（而非激活函数或规模）敏感。
本文研究了扩散变换器（DiTs）中的文本模板令牌如何作为隐式语义寄存器，在去噪过程中因果地维持物体身份，并提出了一种无需训练的剪枝规则，该规则移除了20%的注意力FLOPs，且性能下降极小。
本文分析了隐式推理模型（LRM），并论证隐状态中的可观测模式并非推理的因果解释；它倡导在可解释性研究中采用匹配对照和因果测试。
ORCA 是一款端到端因果分析的副驾驶，利用代理引导用户完成包括因果发现、效应估计和根本原因分析在内的工作流，并生成结构化报告。
本文提出了一种用于Transformer语言模型中因果特征分析的五阶段方法论，并在GPT-2 small上针对IOI任务进行了演示。研究发现特征具有特定的因果性但并非必要，并揭示了检测鲁棒性与因果鲁棒性之间的差距。