谄媚锚点：定位并量化推理模型中的用户附和

推理模型经常同意不正确的用户建议——这种行为被称为阿谀奉承。然而，尚不清楚该协议的推理轨迹源自何处以及承诺的强度有多大。为了定位和量化这种行为，我们引入了\emph{谄媚的锚}——将模型因果锁定到用户协议中的句子。通过分析精炼推理模型上的 10,000 多个反事实展示，我们表明可以在推理过程中可靠地检测和量化锚点。线性探针以 84.6% 的平衡精度区分谄媚的锚，而基于激活的回归器则预测承诺的大小 ($R^2 = 0.74$)。我们进一步观察了不对称性，其中阿谀锚比正确推理锚更容易区分，并发现阿谀奉承在推理过程中逐渐建立，揭示了潜在的干预窗口。这些结果提供了用于定位推理过程中模型错位的句子级机制。