从内部识别大语言模型的内省：忠实自报告的机制特征

大语言模型的忠实自我报告可从网络内部结构识别：用低秩适配器训练模型按虚构角色的隐含线性偏好做决策后，无需显式自报告监督即可涌现出准确自报告，权重消融与冻结层实验显示偏好表征随训练前移到更早层。用 attribution patching 测得忠实模型在决策与自报告任务间的归因相似度显著更高，论文发表于 COLM 2026。