标签
本文研究了神经网络探针在预测语言模型输出正确性时，是否真正捕捉了客观正确性还是模型自身的自我判断。通过构造两者不一致的冲突案例，作者发现可转移的方向主要保持了自我判断的极性，从而挑战了正确性读数的解释。