本文研究语言模型是否内部追踪当前轨迹的价值,通过构建“价值轴”发现模型线性编码了预期目标成功的估计以调节自信度,并证明该内部价值函数可通过后训练重塑以影响模型行为。
机构:Stanford
来源:arXiv 2606.17056 | AI4Papers 论文推荐平台