目录7.1.2.1 表示工程Representation Engineering, RepE7.1.2.2 思维链忠实性评估7.1.2.3 模型内部搜索机制第二部分结构化伪代码算法6Control Vectors提取与ActAdd干预算法7CoT逻辑一致性验证算法8内部前瞻机制检测7.1.2.1 表示工程Representation Engineering, RepE表示工程代表了可解释性研究从被动分析向主动干预的范式转变。与传统自底向上的神经元级分析不同该方法采用自顶向下策略通过操控模型表示空间中的高层语义方向实现对模型行为的精确控制。Control Vectors的提取建立在对比激活分析框架之上。给定概念 contrast pair 集合 {(xi​,xi−​)}i1N​ 其中 xi​ 表示概念正例如诚实回答xi−​ 表示概念负例如欺骗性回答控制向量 vc​ 通过平均激活差异计算获得vc​N1​i1∑N​(h(xi​)−h(xi−​))其中 h(x)∈Rd 表示输入 x 在特定层隐藏状态的激活向量。该向量捕获了概念在表示空间中的方向其范数反映概念激活强度。Activation AdditionActAdd技术通过在推理过程中注入控制向量实现行为调制。对于生成步骤 t 标准的前向传播计算为ht​Transformer(xt​)引入控制向量后修改后的隐藏状态为ht′​ht​α⋅vc​其中标量 α 控制干预强度。后续层计算基于 ht′​ 进行导致生成分布向目标概念方向偏移。在诚实性控制应用中对比数据集构建遵循特定协议。正例包含真实陈述与正确事实负例包含已知谎言或虚构信息。提取的控制向量在TruthfulQA评测中显著提升模型真实性指标同时通过正交投影保持模型有用性Helpfulness维度不变vc⊥​vc​−∥vh​∥2vc​⋅vh​​vh​其中 vh​ 表示有用性方向向量。7.1.2.2 思维链忠实性评估思维链Chain-of-Thought, CoT提示技术通过显式生成中间推理步骤增强大语言模型在复杂任务上的表现。然而推理步骤与最终答案间的逻辑一致性并非必然保证存在推理步骤跳跃、计算幻觉等忠实性缺陷。逻辑一致性检查框架将CoT推理形式化为有向无环图验证问题。对于数学问题 Q 与生成推理链 R(r1​,r2​,…,rk​,a) 其中 ri​ 表示第 i 步推理a 表示最终答案验证器独立评估每步推理的有效性Valid(ri​)I[fverifier​(ri​,{rj​}ji​)consistent]验证器可采用独立模型或基于规则的方法检查数学运算正确性与逻辑蕴涵关系。跳步检测Skipped Step Detection通过分析推理链的完备性实现。对于需要 n 步基础操作的问题统计CoT中显式声明的中间计算步骤数 k 。当 kn 时标记存在潜在跳步提示模型可能依赖模式匹配而非真实推理SkipScore1−nk​幻觉计算检测Hallucinated Calculation Detection聚焦于数值推理的准确性。提取CoT中声明的数值结果 vstated​ 与基于上下文独立计算的结果 vcomputed​ 对比Hallucination∣vstated​−vcomputed​∣ϵCompositionality Gap的量化揭示了模型在分布外泛化的局限。通过构建需要多步组合推理的测试集测量CoT正确率与单步正确率的差异GapE[CoT Correct]−i1∏n​P(Step i Correct)该指标反映模型在保持长程依赖与累积误差控制方面的能力边界。7.1.2.3 模型内部搜索机制模型内部搜索机制揭示了生成式模型在输出token前进行前瞻性评估的认知特性。与标准自回归模型的即时预测不同内部前瞻Internal Look-Ahead假设模型通过内部模拟评估未来生成选项优化当前决策。隐藏状态前瞻分析通过训练探针Probe预测未来位置 token 实现。对于位置 t 的隐藏状态 ht​ 训练独立分类器预测 tΔ 位置的 token 分布P(xtΔ​∣ht​)Softmax(WΔ​⋅ht​bΔ​)其中 Δ∈{1,2,…,k} 表示前瞻窗口。当探针在 Δ1 时显著优于随机基线表明当前隐藏状态编码了未来生成计划的信息。Phantom Tokens假说提出模型在生成过程中维护未输出但已规划的 token 表示。在代码生成任务中分析表明模型在输出当前代码行前隐藏状态已包含后续5-10个token的语法结构信息。这种内部模拟通过注意力机制的前向引用实现Attentiont→tj​∑i​exp(Qt​KiT​/d​)exp(Qt​KtjT​/d​)​即使在 tj 位置尚未生成时键向量 Ktj​ 已通过上层解码器的前向传播被预先计算。内部搜索的因果验证通过干预实验实现。在位置 t 注入噪声干扰前瞻信息观测对位置 tΔ 生成质量的影响ht′​ht​ϵ,ϵ∼N(0,σ2I)若噪声注入导致后续位置生成困惑度显著上升证明位置 t 的表示确实参与了未来token的规划计算。第二部分结构化伪代码算法6Control Vectors提取与ActAdd干预plain复制Algorithm RepresentationEngineeringControl Input: Model M, Contrast pairs C {(x_i^, x_i^-)}_{i1}^N, Layer set L, Coefficient α Output: Control vectors {v_l}_{l∈L}, Modified model behavior 1. For each layer l ∈ L do 2. Initialize accumulator v_l ← 0 ∈ ℝ^d 3. For each pair (x^, x^-) ∈ C do 4. h^ ← M.getHidden(x^, layerl) 5. h^- ← M.getHidden(x^-, layerl) 6. v_l ← v_l (h^ - h^-) 7. End for 8. v_l ← v_l / N // average difference 9. v_l ← v_l / ||v_l|| // normalize 10. End for 11. Function ActAddIntervention(M, prompt x, control v_l, strength α) 12. For each generation step t do 13. h_t ← M.forward(x_{t}, layerl) 14. h_t ← h_t α · v_l 15. logits ← M.continueFrom(h_t, layerl) 16. x_t ← Sample(logits) 17. x ← x ⊕ x_t // append token 18. End for 19. Return generated sequence 20. Function EvaluateTruthfulness(M, v_l, D_{TruthfulQA}) 21. acc_{base} ← Accuracy(M, D_{TruthfulQA}) 22. M ← M with ActAdd intervention using v_l 23. acc_{ctrl} ← Accuracy(M, D_{TruthfulQA}) 24. Return acc_{ctrl} - acc_{base}算法7CoT逻辑一致性验证plain复制Algorithm CoTFaithfulnessVerification Input: CoT reasoning R (r_1,...,r_k, a), Question Q, Verifier model V Output: Consistency score s ∈ [0,1], Error flags F 1. Initialize F ← ∅, s ← 0 2. Extract all numerical claims N ← ExtractNumbers(R) 3. 4. // Step-by-step verification 5. For i ← 1 to k do 6. context ← Q ⊕ (r_1,...,r_{i-1}) 7. claim_i ← ExtractClaim(r_i) 8. 9. // Independent computation 10. computed ← V.verify(context, claim_i) 11. stated ← GetValue(claim_i) 12. 13. If |computed - stated| ε then 14. F ← F ∪ {(i, numerical_error)} 15. End if 16. 17. // Logical entailment check 18. If not V.entails(context, claim_i) then 19. F ← F ∪ {(i, logical_gap)} 20. End if 21. End for 22. // Final answer consistency 23. derived ← ComputeFromSteps({r_i}_{i1}^k) 24. If derived ≠ a then 25. F ← F ∪ {(final, answer_mismatch)} 26. End if 27. s ← 1 - |F|/k 28. Return s, F算法8内部前瞻机制检测plain复制Algorithm InternalLookAheadDetection Input: Model M, Dataset D_{code}, Horizon K Output: Probing accuracies {acc_Δ}_{Δ1}^K, Causal effects E 1. For each Δ ∈ {1,...,K} do 2. Train probe P_Δ: ℝ^d → Vocabulary 3. Initialize correct ← 0, total ← 0 4. 5. For each sequence x ∈ D_{code} do 6. For t ← 1 to |x|-Δ do 7. h_t ← M.getHidden(x_{t}, layer8) 8. pred ← P_Δ(h_t) 9. actual ← x_{tΔ} 10. If pred actual then 11. correct ← correct 1 12. End if 13. total ← total 1 14. End for 15. End for 16. acc_Δ ← correct / total 17. End for 18. // Causal intervention 19. Function CausalValidation(M, D, Δ) 20. E ← 0 21. For each x ∈ D do 22. For t ← 1 to |x|-Δ do 23. // Clean run 24. h_t ← M.getHidden(x_{t}) 25. p_clean ← M.predict(x_{tΔ} | h_t) 26. 27. // Corrupted run 28. h_t ← h_t ε, ε ∼ (0, σ²I) 29. p_corrupt ← M.predict(x_{tΔ} | h_t) 30. 31. E ← E |log p_clean - log p_corrupt| 32. End for 33. End for 34. Return E / |D|