通过行为反事实解读模型推理过程

研究者提出行为反事实方法，通过训练模块编辑残差流，使固定回答在源提示词与反事实目标提示词下的输出分布 KL 散度最小，从而定位干预对模型推理的影响。该方法比标准激活重建目标更有效地恢复反事实行为，其归因结果可识别对反事实恢复因果重要的位置。