循环语言模型的潜在推理机制监测研究

研究构建了基于机制可解释性的五视角检查协议，对四个家族共八个循环语言模型进行监测分析。模型的关键差异在于提示词是仅在循环状态内传递（carry loops：Ouro、LoopUS），还是在每次迭代时重新提供（re-read loops：Parcae，以及Raven家族的Rec-OLMo与Huginn）。研究结果为循环语言模型的安全性与高效使用提供了重要见解。