arXiv:2610.20179：语言模型能否通过上下文神经反馈控制自身激活值

研究通过上下文神经反馈实验测试语言模型能否控制自身激活值，覆盖五个家族、9B 至 32B 的十个开放权重模型。在固定句子预填条件下，十个模型中有三个表现出微小但一致的控制效果；在欺骗监测器测试中，无模型学会降低监测分数，但有一个模型能将其提高。