研究：语言模型中的角色依赖偏好如何表征

研究者在 Gemma-3-27B 与 Qwen-3.5-122B 的残差流激活上训练线性探针，预测模型成对任务选择，识别出一个真实偏好向量，可随提示变化追踪偏好，并在 Gemma-3-27B 上通过引导因果控制成对选择。部分偏好信息可跨角色迁移：在 helpful assistant 上训练的探针能预测并引导包括偏好反相关的 evil 角色在内的不同角色选择。