内部探针何时优于直接读答案：隐藏知识与输出校准失效

一个0.6B语言模型被要求核验1200个逻辑结论，一半有效，一半仅经一次语义编辑破坏，却总回答“是”。行为上无法区分对错，但隐藏状态的线性探针以0.96 AUC读出正确判定，可迁移至未见逻辑结构，也能区分由真实结论相同词语构造的干扰项（0.90）。判定主要丢失于单一标量：沿对齐的读出方向，输出logits仍保有判定信息（间隔AUC为0.89），但偏移+4.6个标准差的饱和阈值将其抹去。在五模型、三模型家族的90种语义标签配置中，行为准确率随阈值偏移变化（Spearman −0.93），而间隔排序变化较小。跨13倍规模范围，内部知识趋于饱和，自由生成行为却不单调；8B模型因答案通道而非阈值问题落后于4B模型，强制选择准确率则单调。未在评测结构上拟合的单参数校正，使0.6B行为准确率由50%升至81%；校准间隔解码使8B恢复到94%。少样本提示同样通过重新居中阈值保持排序。比较探针与输出间隔可区分知识隐藏、校准失效和未检出。在干扰项不含表面线索的迷宫任务中，核验正确报告第三种状态。标准生成设置中，仅凭答案表面特征和启发式标签，无需读取内部状态，也可复现既有探针结果。