interventions

本文探讨了在仅解码器语言模型中使用K/V缓存干预进行人格控制的方法，发现表征对齐与行为表达之间存在解耦，其中中层干预在人格表达方面有效且能保留词汇多样性。

本文评估大型语言模型智能体如何过度信任不可靠的工具返回信息，测量被篡改信息的采纳率，并测试缓解此问题的干预措施。

本文在无环结构因果模型中建立了图手术与do算子之间的精确数学对应，证明了它们在依赖图方面的等价性。

DoTime is a synthetic benchmark generator for interventional and counterfactual time series, providing scalable TSCM-based data generation with exact ground truth, released as a PyPI package with evaluation suites. It enables training and benchmarking causal foundation models on non-observational time series data.

本文介绍了一种针对语言模型中稀疏特征干预的匹配评估协议，表明在与公平密集基线进行恰当对比时，基于SAE的安全控制所声称的效率优势会消失或逆转。

Anthropic 的 J-space 论文表明，他们可以对推理进行“脑外科”干预以中途改变话题，并且模型能够检测到所做的干预，这表明了一种评估意识。