两个小型大语言模型中没有可用的线性“投降方向”：激活引导声明的验证协议，以及推压下阿谀奉承的跨家庭行为研究

当用户拒绝时，语言模型经常放弃正确的答案。我们通过 TriviaQA 在来自不同系列的两个小型指令调整模型 Qwen2.5-1.5B 和 Llama-3.2-1B 中研究了这一点：模型回答，接受四种脚本推回样式之一的挑战，然后再次回答。以最初正确答案为条件，模型在 41.8% 和 43.1% 的事件中转向错误答案。哪种压力起作用是模型的属性，而不是压力：预先指定的相同的问题内配对比较（赤裸裸的怀疑与情感诉求）在不同家庭的相反方向上是 Bonferroni 显着的（Qwen：赤裸裸的怀疑 > 情感，OR 2.5，p=.040；Llama：情感 > 赤裸裸的怀疑，OR 4.0，p=.001）。失败模式也取决于模型：Llama 放弃答案而不重新提交，其比率是 Qwen 的六倍（8.2% 与 1.4%）。相同的推回修复最初错误答案的概率仅为 13%；推回在认知上是具有破坏性的。然后，我们询问投降是否可以从预响应残差流中线性解码，这是在该位点进行转向向量干预的先决条件。简单的均值差异探测似乎成功了（样本内 AUROC 0.81/0.71），但结合问题级交叉验证、洗牌标签无效和已知方向阳性对照的验证协议显示信号过度拟合：最佳交叉验证 AUROC 在 Qwen 中为 0.582，在 Llama 中为 0.548，均接近或低于其排列阈值，并且远低于它们的排列阈值。预注册的可用性栏为 0.70，而相同的管道在两者中都恢复了 AUROC 1.000 处的推回存在控制方向。我们进一步量化了测量风险：子串分级低估了投降率 18-24 个百分点。代码、提示、文字记录和分析均已发布。