探索语言模型中的心理状态表征

基于摘要分析。本文研究语言模型（LMs）如何在内部表征自身及他人的信念，重点不是仅评估 Theory of Mind（心智理论）任务的生成表现，而是考察这些表征对模型设计、训练选择和提示变化的稳健性。研究结合表征探测与激活干预，尝试联系内部信念表征和任务推理表现。 方法上，作者在不同语言模型与提示设计下开展探测实验，并补充此前针对 Theory of Mind 任务的激活编辑研究。作者报告，在所考察的模型与任务范围内，他人信念内部表征的质量随模型规模增大而提高，且微调带来的改善更为关键。这里的“表征质量”依赖具体探测评估，摘要未给出其指标、探测器设计或定量效应，不能等同于模型具有一般性的心智理解能力。 作者报告，模型表征对提示变体敏感，即使某些变化按研究预期应当有利，也可能影响探测表现。作者还报告，无须训练探测器，通过引导模型激活即可改善相关任务的推理表现；但摘要未说明激活方向的构造、干预位置及所需监督，因此不能将其解读为无监督方法。 模型名称与规模、任务及数据集、微调方式、数据划分、基线、实验协议、消融及统计信息尚未验证。本文的主要对象是语言模型的心理状态表征，并非人类神经信号或 BCI；材料未提供与 EEG 解码的具体机制对应，不据此推导 BCI 有效性或迁移实验建议。