# LLM 能察觉自己脑子里在想什么吗？这篇论文直接往模型内部塞概念来测试

> 原标题：Emergent Introspective Awareness in Large Language Models

- 来源：Hacker News 首页
- 发布时间：2026-08-11T21:14:10.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/50104
- 原文：https://arxiv.org/abs/2601.01828

## 摘要

Jack Lindsey 没走对话测试的老路，而是直接把已知概念的向量表示注入模型内部激活值，看模型能不能自己报告出来。Claude Opus 4 和 4.1 在多数实验里表现最好：它们能发现被注入的概念，能回忆之前的状态，还能区分自己生成的输出和人类写的预填充文本。

## 推荐理由

Jack Lindsey 把已知概念向量注入模型内部激活值，测试模型能否自行报告，Claude Opus 4 和 4.1 在检测注入概念、回忆先前状态和区分自产与预填文本上表现最好。

## 锐评

往激活值里塞概念向量，比让模型聊天自述靠谱得多，这个测法我认。但 Claude Opus 4 系列表现最好这件事，得看是谁家的模型在谁家的内部做实验，Anthropic 自己发的可解释性论文，测自家模型拿第一不奇怪。摘要里也写了这能力不稳定、看上下文、跟后期训练怎么调关系很大，那它更像训练调出来的反射，不是模型真在观察自己。方法够硬，结论先别往 agent 上套。
