arXiv Computer Vision· Samuel Dawit Assefa, Jae Won Cho·· 7 小时前AI 评分34
语言模型会悄悄选边：Qwen 0.8B 与 Gemma 3 1B 中的隐藏来源承诺及引导方法
Hidden Commitment: When Language Models Silently Pick a Side and How Steering Can Surface It
AI 导读
在冲突上下文问答中，语言模型即使被要求披露冲突，仍可能只给出单方面答案。Qwen 0.8B 的隐藏来源承诺可由一个残差来源选择方向的符号刻画，稀疏中层 MLP 写入同一坐标，引导该坐标即可改变所选来源；Gemma 3 1B 迁移实验在 LLM 审核标签下保留了来源选择读出与稀疏写入桥接。
来源：arXiv Computer Vision · arxiv.org