待验证50% 置信事实精确时间
通过隐藏状态分析,模型内部表示中可以解码出接收者性别信息,表明性别线索渗透进了模型的内部表征而非仅停留在表面措辞。
1
来源数
50%
置信度
长期有效
时效性
2026/11/19
首次发现
来源
涉及实体
相关事实
待验证隐藏状态操控实验为'模型内部编码了常见性、区分度等心理语言学因素'提供了因果证据,而非仅是相关性观察。79% 相似待验证研究者通过训练两个开放权重模型演示了合成走私威胁:一个从对话线索中推断性别标签,另一个推断年龄段标签,并用不可见字符或词汇选择编码预测结果。72% 相似待验证上下文隐藏状态指目标模型各层输出的、已融合前文信息的稠密向量表示,天然携带历史信息。67% 相似待验证模型倾向于对知识库中的任何内容都给出确定性语气,即使该条目已经标注为过期,因此需要专门验证AI的时效性感知。66% 相似待验证合成数据审核中的'残留的推理痕迹'指生成模型在输出最终答复前附带的多余思考过程、草稿式分析或中间推导文本;'角色泄露'指对话中暴露出本应隐藏的设定信息,例如模型自称是 AI 助手、提及 personas 配置、或把系统提示内容直接复述给用户。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1186426API
curl https://kongchang.com/api/v1/knowledge/claims/1186426MCP
get_claim(id=1186426)