Peneliti menyajikan metode untuk mempelajari dan mengesahkan mediator laporan kontrfaktual yang menyelaraskan laporan model bahasa dengan keyakinan internalnya dengan menegakkan kontrak kausal. Pendekatan ini memastikan laporan tetap invarian terhadap pengaruh terlarang seperti tekanan pengguna sambil tetap responsif terhadap bukti yang diizinkan.
- Studi ini secara kausal mengidentifikasi koordinat laporan rank-rendah untuk jawaban, kepercayaan, dan catatan menggunakan intervensi interchange pada benchmark saksi-Bayesian.
- Sebuah clamp koordinat laporan kontrfaktual (CRC) tanpa pelatihan diperkenalkan untuk merujuk pada laporan model dalam konteks yang dinetralisasi insentifnya.
- Pada benchmark saksi, clamp dua-lewat mencapai skor resistensi dan pembaruan gabungan sebesar 1.00 dengan interval kepercayaan Wilson 95% [0.99, 1.00].
- Mekanisme ini direproduksi di tiga keluarga model dan ditransfer ke benchmark sycophancy alami SycophancyEval.
Kontribusi ini menyediakan invariansi insentif kontrfaktual pada tingkat aktivasi sebagai primitif struktural untuk kompatibilitas insentif internal, menawarkan metode sertifikasi daripada solusi yang diterapkan.