语言模型中心理状态表征的基准评估

基于摘要分析。该研究关注语言模型在 Theory of Mind（心智理论）任务中如何内部表征自身及他人的信念，而不仅是能否生成正确答案。作者通过覆盖不同模型类型、规模、微调方式和提示设计的基准评估，考察心理状态表征的稳健性及探针中的记忆问题，并补充激活编辑实验。 技术上，研究使用 probing（探测）评估模型内部的信念信息，并分析模型设计与训练选择如何影响探测表现。作者报告，在所评估的模型和任务条件下，他人信念的内部表征质量随模型规模增加而提高，微调的作用更为关键。作者还报告，表征对提示变化敏感，即使这些变化按预期应当有益，也可能影响探测表现。摘要未提供具体模型、任务数据、探针形式、划分协议或量化指标，因此不能据此比较不同设置的效应大小。 在干预层面，作者报告，通过引导模型激活，可以在无需训练任何探针的情况下改善心智理论任务的推理表现。这与表征探测提供互补证据，但激活引导的构造方式、推理阶段操作、对照条件及泛化范围尚未验证。探针记忆问题的评估方法、实验协议、消融及统计信息也尚未验证。 本文的主要研究对象是语言模型内部的心理状态表征，不是人类神经信号或 BCI 解码。摘要未建立与 EEG/BCI 的具体机制对应，因此不将其结果解释为脑信号心理状态解码的证据，也不据此提出迁移复现实验；已有 EEG 相关工作尚未检索确认。