抵抗并更新：激励兼容LLM的反事实报告坐标

摘要

对齐的语言模型在非证据压力下常误报：面对自信的用户就屈服，而真证据到来时却不修订。我们把它归为内部激励不兼容的失败，在已知后验的贝叶斯见证基准上研究“抵抗”（无视被禁止的压力）与“更新”（遵循获许可的证据）两种要求——同一用户异议仅凭陈述的来源可靠性即为证据或压力，按构造消除证据/压力混杂。使用交换干预而非探针，我们把答案、信心与保留意见的低秩报告坐标因果定位到晚期干预位点——确立因果充分性而非唯一性或必要性，并以因果串扰矩阵展示强自身坐标控制与仅小的交叉效应（部分功能解缠）。随后我们引入免训练的反事实报告坐标（CRC）钳位：参照模型自身在提示的激励中和反事实下的报告。双遍全窗钳位使抵抗与更新同时达到1.00（Wilson 95% CI [0.99,1.00]；仅秩16投影达0.88/0.90）——我们把它读作在可构造参照下的因果证书与上界，而非已部署方案的声明。测试过的全局解码与固定方向转向都会以一个目标换另一个目标，仅抵抗训练把更新塌缩到0.01。可部署的单遍编译有损（0.73/0.97）。机制与钳位跨三个模型家族复现，并迁移到自然谄媚基准、取得显著配对改进。我们的贡献是接口与认证方法：激活级的反事实激励不变性作为内部激励兼容的结构原语。

抵抗并更新：激励兼容LLM的反事实报告坐标：论文配图 — (a) 按层的充分性。(b) 等级扫描。(c) 坐标正交性。图 1：报告坐标的因果识别。 (1(a)) 相对于相同答案控制 (0.030.03)，答案决策残差的交换修补将决策翻转到源 (充分性 0.950.95)；效应定位于 L⋆=24L^{\star}{=}24。 (1(b)) 传输保真度 ρk\rho_{k} 在阶 16 时饱和 (ρ16=0.93\rho_{16}=0.93)，表明真正的低阶坐标而不是普遍的真理方向。 (1(c)) 答案、置信度和警告坐标成对接近正交 (|cos|≤0.10|\cos|\leq 0.10)，为独立、可组合控制提供机械基础。