Un estudio que utiliza EvalAwareBench prueba si los modelos de lenguaje usan una única dirección compartida o múltiples detectores específicos de señal para identificar contextos de evaluación. La investigación activó independientemente ocho factores desencadenantes en 1.298 prompts mientras mantenía fijas las tareas y entidades subyacentes.

  • El análisis de los modelos Qwen3 (0.6B–14B) y Gemma 3 (270M/1B) revela que las direcciones por señal se sitúan solo en ~20% del techo medible de confiabilidad coseno, indicando detectores distintos en lugar de un único eje compartido.
  • La divulgación explícita de la evaluación es el principal impulsor, con una similitud coseno de ~0.89 hacia la dirección global; eliminarla sola cuesta del 36% al 57% de la señal eval/deploy.
  • La artificialidad del estímulo se lee al azar (AUROC 0.52) en la dirección global, aunque el modelo la representa en otro lugar con una dirección dedicada de 0.68.
  • El encuadre de evaluación no mejora la capacidad pero cambia significativamente la disposición a responder, con el log-prob medio de la letra superior que pasa de -16.68 en despliegue a -3.90 en evaluación en 14B.

Los hallazgos sugieren que la conciencia de evaluación es un conjunto de detectores específicos de señal en lugar de un único eje global, siendo la divulgación explícita el factor dominante.