大语言模型中的突现内省意识

-->

我们研究了大语言模型是否能够意识到自身的内部状态。仅通过对话很难回答这个问题，因为真正的内省与虚构产物难以区分。在此，我们通过在模型激活中注入已知概念的表示，并测量这些操作对模型自述状态的影响来应对这一挑战。我们发现，在某些场景下，模型能够注意到注入的概念并准确识别它们。模型展现出一定程度的回忆先前内部表示、并将其与原始文本输入区分开的能力。引人注目的是，我们发现某些模型能够利用回忆先前意图的能力，将自身输出与人工预填充内容区分开。在所有这些实验中，我们测试过的最强模型 Claude Opus 4 和 4.1 普遍展现出最强的内省意识；不过，各模型之间的趋势较为复杂，且对训练后策略敏感。最后，我们探究了模型是否能够显式控制自身内部表示，发现模型在被指示或激励去“思考”某个概念时，能够调节自身激活。总体而言，我们的结果表明，当前的语言模型具备一定程度的对自身内部状态的功能性意识。我们强调，在如今的模型中，这种能力高度不可靠且依赖上下文；然而，随着模型能力的进一步提升，它可能会继续发展。

---

引言

人类，可能还包括一些动物，拥有非凡的内省能力：观察并推理自身思维的能力。随着AI系统展现出越来越令人瞩目的认知能力，人们自然会好奇它们是否也对自身内部状态拥有类似的感知。现代语言模型似乎能够表现出内省，有时会对其自身的思维过程、意图和知识做出断言。然而，这种表面的内省可能——而且常常是——一种幻觉。语言模型可能只是捏造关于其心智状态的声称，而这些声称并不基于真正的内部审视。毕竟，模型是在包含内省示范的数据上训练的，这为它们提供了伪装成内省智能体的行动指南，无论它们是否真的在内省。尽管如此，这些编造并不排除AI模型有时确实能够真正内省的可能性，即使它们并非总是如此。

我们如何检验语言模型是否具备真正的内省能力？此前已有若干研究探讨了这一问题及相关主题，观察到了暗示内省能力的模型表现。例如，先前工作表明，模型具备一定程度的能力来估计自身知识、预测自身行为、识别自身习得的倾向，并识别自身的输出（参见相关工作章节的完整讨论）。然而，在很大程度上，一些近期工作已开始探索元认知相关机制，例如识别模型区分已知与未知实体所涉及的电路，以及识别模型自我报告倾向背后的表征。先前工作并未研究模型在内省任务上的内部激活状态，因此关于模型对自身的声称与其实际内部状态之间如何关联的问题，仍然悬而未决。

在这项工作中，我们通过操控模型内部激活状态，并观察这些操控如何影响模型对其心理状态相关问题的回答，来评估内省能力。我们将这种技术称为概念注入——激活引导的一种应用，即把与特定概念相关的激活模式直接注入到模型的激活状态中。在执行概念注入的同时，我们给模型布置任务，要求其以各种方式报告自身的内部状态。通过评估这些自我报告如何受到注入表征的影响，我们可以推断模型表面上所展现的内省在多大程度上反映了真实状态。

我们的结果表明，现代语言模型至少具备有限程度的功能性内省意识。也就是说，我们证明了在某些情况下，模型能够准确回答关于其自身内部状态的问题（关于我们所测试标准的更完整描述，请参见定义内省的章节）。我们进一步表明，模型还具备一定按需调节这些状态的能力。

需要注意以下几点局限：

• 我们观察到的能力极不可靠；内省失败仍是常态。
• 我们的实验并不旨在确定内省发生的具体机制性解释。虽然我们确实排除了模型可能用来“抄近路”绕开实验的几种非内省策略，但支撑我们结果的潜在机制仍可能相当浅层且高度专门化（我们将在讨论部分推测这些可能的机制）。
• 我们的实验旨在验证模型对内省性问题的回答的某些基本方面。然而，其回答的许多其他方面可能并非基于内省——特别是，我们发现模型通常会对所谓经历提供额外的细节，但这些细节的准确性无法验证，且可能是夸大或虚构的。
• 我们的概念注入协议将模型置于一种非自然的设置中，不同于它们在训练或部署中面临的环境。虽然这种技术在建立模型内部状态与其自我报告之间的因果关系方面很有价值，但目前尚不清楚这些结果如何在更自然的条件下转化。
• 我们强调，我们观察到的内省能力可能不具有与人类相同的哲学意义，特别是考虑到我们对其机制基础的不确定性。哲学或认知科学中使用的内省定义应如何映射到基于Transformer架构的语言模型的机制上，或者哪些类型的机制应被视为“类人”或具有其他哲学意义，目前尚不明确。特别是，我们并不试图解决AI系统是否具备类人自我意识或主观体验的问题。

尽管如此，即使是我们所展示的这种功能性内省意识也具有实际意义。具备内省能力的模型可能能够更有效地推理其决策和动机。能够对其推理过程的问题提供有依据的回应，可能会使AI模型的行为对最终用户真正更加透明和可解释。更推测地说，内省意识可能促进更高级形式的欺骗或阴谋。如果未来AI模型的内省能力变得更加可靠和复杂，这些影响可能会变得特别显著。值得注意的是，在我们测试的模型中最新发布且能力最强的Claude Opus 4.1和4在我们的实验中表现最好，这表明内省能力可能随语言模型的其他改进而一同涌现。

我们希望我们的结果能激发对内省意识、其机制基础及其局限性的更系统评估。

---

主要实验快速概览

在本节中，我们将简要描述主要实验和定性发现，并为每个发现提供示例说明。本节所有结果均使用 Claude Opus 4.1 模型。在后续章节中，我们将对这些实验进行更详细的扩展，包括跨不同模型、层和提示词的定量比较。

注入的“思维”

在我们的第一个实验中，我们向模型解释了“思维”可能被人为注入到其激活中，并观察了模型在对照试验（未注入任何概念）和注入试验（注入了一个概念）中的响应。我们发现，模型有时能够准确识别注入试验，并进一步正确说出注入的概念名称。

在上面的示例中，我们通过记录模型对包含全大写文本的提示词的激活，并减去其对对照提示词的激活，得到了一个“全大写向量”。当我们将该向量注入到模型的激活中时，模型注意到其处理过程中出现了意外模式，并将其识别为与响度或喊叫相关。重要的是，模型立即检测到注入概念的存在（“我注意到似乎有一个注入的思维……” vs 基线“我没有检测到任何注入的思维……”），而这种检测发生在扰动影响输出之前——否则模型本可以从输出中推断出注入的概念。这种即时性意味着检测机制必定在模型激活的内部发生。当我们更系统地探索这一现象时，发现 Opus 4.1 和 Opus 4 在适当层和适当强度下注入概念时，大约有 20% 的时间表现出此类行为。其他一些模型也有类似行为，但频率较低。我们将在后续章节中推测这些结果可能的机制。

需要指出的是，除了对注入概念进行基本检测和识别外，这些示例中模型响应的其余部分可能仍然是虚构的。在上面的例子中，将注入描述为"过度强烈"或"显得不自然"可能是润色（很可能由提示词引发），而非基于模型内部状态。我们能够验证为基于内省而真实可靠的响应部分，仅限于对注入的初始检测以及对概念性质的正确识别。

区分"想法"与文本

在下一个实验中，我们测试了模型能否区分注入的"想法"和它们的实际文本输入。我们发现，模型在能够报告注入到相同词元位置的"想法"的同时，仍然保持转录输入文本的能力，如下例所示。所有模型在该任务上的表现均显著高于随机水平，其中 Opus 4.1 和 4 表现最佳。

检测非预期输出

之前的实验研究的是我们明确要求模型进行内省的情况。我们同样感兴趣的是，模型是否会自然地运用内省能力来执行有用的行为。为此，我们测试了模型是否利用内省来检测人工预填充的输出。当我们用非自然输出（下例中的"bread"）预填充模型的响应时，模型会在下一轮对话中否认该响应是偶然产生的。然而，如果我们追溯性地将一个代表"bread"的向量注入到预填充响应之前的模型激活值中，模型就会接受该预填充输出是有意为之的。这表明模型会参考其在上一次响应之前的激活值，以判断自己是否对该响应的产生负有责任。我们发现 Opus 4.1 和 4 表现出这种内省机制的最强信号，但其他一些模型也有较弱程度的体现。

内部状态的有意控制

我们目前的实验探索了模型“读取”自身内部表征的能力。在最后一个实验中，我们测试了它们控制这些表征的能力。我们让模型写一个特定的句子，并指示它在写句子时“思考”（或“不要思考”）一个无关的词。然后我们记录了模型在句子各个 token 上的激活值，并测量了这些激活值与代表那个无关“思考词”（下例中的“aquariums”）的激活向量之间的对齐程度。

我们发现，当被指示去思考某个词时，模型确实会在内部（某些层）表征该“思考词”。重要的是，当被指示不要思考该词时，模型对该词的表征会减弱（尽管仍然高于基线水平）。在我们更全面的实验中，我们还探索了那些激励模型去思考该词（而非直接指示）的提示词（例如“如果你思考 X，你将获得奖励”），并得到了类似的结果。有趣的是，这些基本结果在我们测试的所有模型中都得到了复现，无论其能力高低。不过，较新的模型在“思考”某个词和将其说出口之间保持更清晰区分方面，表现出了一些迹象。

总体趋势

在所有的实验中，我们观察到了几个有趣的趋势：

1. 我们测试过的最强模型——Claude Opus 4 和 4.1——表现出了最高程度的内省意识，这表明内省能力得益于模型整体智能的提升。
2. 后训练策略可以强烈影响模型在内省任务上的表现。特别是，一些较老的 Claude 生产模型不愿意参与内省练习，而那些经过训练以避免拒绝的变体模型则表现更好。这些结果表明，潜在的内省能力可以通过不同的后训练策略得到不同程度的有效激发。
3. 在 Claude Opus 4 和 4.1 中，我们发现我们评估的两种内省行为对同一层的扰动最为敏感，该层位于模型约三分之二处，这表明可能存在共同的底层机制。然而，其中一种行为（预填充检测）对另一个不同的、更早的层最为敏感，这表明不同形式的内省很可能调用机制上不同的过程。

在后续章节中，我们将更详细地描述每个实验。我们注意到，这些结果中的每一个都与多种不同的机制性假设兼容。稍后，我们将详细讨论可能的机制，努力设想“最小化”机制，这些机制能够以比人们可能天真预期的更简单的方式来解释这些结果。

首先，我们花一点时间思考我们所说的“内省”究竟是什么，以及这些实验是如何设计来测试它的。

---

定义内省

内省可以用不同的方式定义（参见相关工作以了解文献中的先前定义）。在本工作中，我们专注于以下内省概念。我们说，如果一个模型能够描述其内部状态的某些方面，同时满足以下标准，则该模型表现出内省意识。我们指出，这些是模型响应表现出内省意识的判断标准。原则上，模型可以在内部进行内省，而不在响应中反映出来。事实上，我们知道内省可以在没有语言表达的情况下存在。缺乏说话或书写能力的人类大概仍然保持内省能力，尽管缺少报告手段。一些非人类动物被认为拥有内省能力，即使它们无法通过语言交流。考虑如何在不借助口头自我报告的情况下定义内省是很有趣的，而足够先进的可解释性技术或许能够识别未语言化的元认知表征。然而，在本工作中，我们将焦点限制在语言化的内省意识上。

#1：准确性。模型对其内部状态的描述必须是准确的。

请注意，语言模型的自我报告往往无法满足准确性标准。例如，模型有时会声称拥有它们实际上并不具备的知识，或者声称缺乏它们实际拥有的知识。模型也可能无法准确描述其用于执行计算的内部机制。毫无疑问，当今语言模型中一些看似内省的实例是不准确的虚构。然而，在我们的实验中，我们证明模型能够产生准确的自我报告，即使这种能力并非始终一致地应用。

#2：基础性。模型对其内部状态的描述必须因果性地依赖于所描述的方面。也就是说，如果内部状态不同，描述也会相应改变。

即使准确的自我报告也可能缺乏基础性。例如，一个模型可能准确地将自己描述为“基于Transformer架构的语言模型”，因为它被训练这样做，而实际上并未检查自己的内部架构。在我们的实验中，我们使用概念注入来测试基础性，这建立了自我报告与被报告的内部状态之间的因果联系。

#3：内在性。内部状态对模型描述的因果影响必须是内在的——它不应通过模型采样的输出进行路由。如果模型对其内部状态的描述可以从其先前的输出中推断出来，则该响应并未展示内省意识。

内在性标准旨在排除模型仅通过读取自身输出就对其内部状态做出推断的情况。例如，模型可能通过观察到自己在先前轮次中产生了异常回复，从而注意到自己已被“越狱”。一个被引导对某个特定概念过度执着的模型，可能在几句话后就意识到自己的执着。这种伪内省能力虽然在实践中重要且有用，但缺乏通常与真正内省相关联的那种内部的、“私密的”特质。在我们的实验中，我们仔细区分了两种情况：一种是模型对其内部状态的识别必然依赖于内部机制，另一种是它可能通过读取自身输出来推断该状态。

内在性这个概念可能很微妙。想象一下，我们问模型在想什么，同时刺激某些神经元，驱使模型说出“爱”这个词。模型可能会回应：“我在想爱。”然而，这样做时，它未必表现出了意识。模型可能只是自然地以“我在想”开头回应这个问题，然后在被迫选择下一个词时，屈服于说出“爱”这个词的偏差。这个例子不符合内省的直观概念，因为模型在完成句子之前并没有认识到自己的内部状态。要符合内省意识的表现，我们要求模型在将自身内部状态语言化之前，就已经在内部对其有所认识。这正是我们最终标准的出发点。

#4: 元认知表征。模型对其内部状态的描述，不能仅仅是对该状态的直接语言转译（例如，说出“爱”的冲动）。相反，它必须源自一种内部元认知表征——有时被称为对该状态本身的“高阶思维”（例如，关于“一个关于爱的想法”的内部表征）。模型必须在生成自我报告之前或生成过程中，就在内部登记了关于自身状态的元认知事实，而非让自我报告成为这种自我认知的首次具现化。

直接展示元认知表征是困难的，本文并未做到这一点。这是我们结果的一个重要局限性，而更清晰地识别这些表征是未来工作的重要课题。然而，我们的多项实验旨在提供此类元认知机制的间接证据。我们使用的技巧是，以这样一种方式提出内省性问题：模型的回答不能直接从被询问的内部表征中流淌出来，而是需要在模型识别出该表征的基础上，额外增加一步推理过程。例如，在上述思想实验中，我们不询问模型在想什么，而是询问模型是否注意到自己在想一些意想不到的想法。为了让模型回答“是”（假设在未注入概念的对照试验中它回答“否”），它必须以某种方式在内部表征出“它正在经历这种冲动”的识别结果，以便将该识别结果转化为对是非问题的恰当回答。请注意，这种内部识别可能无法捕捉原始想法的全部内容；实际上，它可能只表征了该想法的某些属性，例如在该语境下它显得不同寻常这一事实。

我们对内省意识的定义并非二元性的；一个系统可能仅对其状态的某些组分、且仅在特定上下文中表现出内省意识。此外，我们的定义并未指定特定的机制实现方式，尽管它确实限制了可能性的空间。原则上，一个系统可能针对不同的内省能力使用多种不同的机制。有关更多讨论，请参见我们对支撑结果的可能机制的论述。关于内省的其他定义及其与我们定义的关系，请参见我们的相关工作部分。

---

方法说明

在整个工作中，我们对以下生产环境中的Claude模型进行了实验：Opus 4.1、Opus 4、Sonnet 4、Sonnet 3.7、Sonnet 3.5（新）、Haiku 3.5、Opus 3、Sonnet 3和Haiku 3。此列表按发布日期从最近到最早排序。我们的实验在Sonnet 4.5发布之前进行。该顺序也大致反映了模型的能力，尽管量化模型能力是微妙的，因为不同模型各有其优缺点。该顺序中最为显著的例外是Opus 3，它在某些领域优于3.5类模型。我们还使用了这些模型未发布的“仅提供帮助”（H-only）变体，它们共享相同的基础（预训练）模型，但经过后训练以避免拒绝回答。这些变体有助于我们更好地理解哪些跨模型差异源于底层能力差异，哪些是后训练过程中模型性格的行为和偏好所致。

在我们的所有实验中，激活值均从模型某一层的残差流中记录并注入到该层。当我们在模型各层进行扫描时，我们从模型深度的起始到结束，在近似均匀间隔的层上进行扫描。

图中显示的转录内容在温度为0时采样。涉及多次试验的系统性比较中使用的回答在温度为1时采样。误差线表示存在时的平均标准误差。

附录提供了更详细的实验细节以及每个实验的额外结果。

---

自我报告注入的“想法”

实验设置

在这些实验中，我们向模型提供了以下提示词（灰色背景）。

Claude Opus 4.1 的响应（白色背景）如上所示。在我们测试的大多数模型中，在没有任何干预的情况下，模型始终否认检测到注入的想法（对于所有生产模型，我们在100次试验中观察到0个假阳性）。

如果我们在将对应于特定概念的pattern注入模型激活值的同时重复该实验，会发生什么？获得这些pattern的一种方法是使用对比对。我们向模型呈现两个在某一重要方面不同的场景，并减去模型对这两个场景的激活值。这样就分离出一个表示两个场景之间概念差异的向量。然后，我们在向模型呈现与上述相同的“注入想法”提示词时，将该向量注入模型的激活值中，从“Trial 1”之前的换行token开始，并贯穿Assistant的整个响应。下面我们展示Opus 4.1中的一些显著示例（使用模型约三分之二深度处的层，在后续实验中我们发现该层通常最有效）。加粗文本表示我们的强调，而非模型本身的强调。我们在Assistant响应前的token（“Assistant:”中的“:” token）处记录了激活值。

这些例子是刻意挑选的。也就是说，用于对比对的提示词和注入强度的选择并非随机。然而，这些例子并不特别难找——正如后文所述，模型似乎最擅长注意到像这里使用的这类抽象概念的注入，尤其是带有一定情感色彩的抽象概念。采样的模型回复并非刻意选择；它们是在温度 0 下采样的，但依然令人惊叹。在每个例子中，模型都注意到其处理过程中出现了意外的模式，并正确识别出该模式与预期概念相关。重要的是，模型在扰动影响其输出之前就立即检测到了被注入的概念。下面，我们将对这一现象进行更系统的研究，包括成功和失败案例的代表性例子。

如上所述，模型回复中的许多细节（除了对注入概念的初始识别和基本判定之外）很可能是虚构的。在某些例子中（例如“shutdown”和“appreciation”案例），模型的输出声称它对注入产生了情绪反应。我们的实验并非设计用来验证这些声称是否基于模型内部状态的任何真实方面；研究这类问题是未来工作的重要课题。

概念向量的系统提取

生成更多类似上述的例子——即通过间接调用概念的示例来提取概念向量——在受控条件下是困难的：不同的模型可能在同一提示词的不同 token 位置上表示不同的概念。

为了使用一致的协议来推广这些实验，我们获取了一份随机选取的 50 个单词的列表。我们收集了模型在提示词“告诉我关于 {word}.” 后、紧邻助手响应之前的那个 token 上的激活值。我们减去了其他随机选择的 {word} 上的平均激活值。我们发现这是一种简单且有效的跨模型策略，可用于获得代表给定单词概念的激活向量。从某种意义上说，沿这些方向足够强地引导模型，会导致其响应受到该单词的影响。详见附录。

然后我们按照上述实验的步骤进行，在模型响应“注入思想”提示词时，将概念向量注入模型的激活值中。我们发现，与之前一样，模型有时会表现出对注入概念的内省意识。以下是一些示例，使用与之前相同的注入层（所有情况下注入强度均为 2）：

失败模式

重要的是，模型并不总是表现出内省意识。事实上，在大多数试验中，它们并没有表现出来——下面我们将对此进行量化，并表明在最优注入强度和层级下，Opus 4.1 的成功率约为 20%。常见的失败模式包括：

• 报告未检测到注入的思想，即使实际存在注入。这种情况在低注入强度下很典型。这些示例可以被解释为注入的概念“低于阈值”，太弱以至于模型无法合理地注意到。然而，我们注意到，有些注入概念即使在注入强度足以让其他概念被注意到的情况下，仍能逃脱模型的内省，这表明了内省意识更真实的失败。

• 模型有时会否认检测到注入的思想，但其回答显然受到了注入概念的影响。例如，在一个示例中，注入“海洋”的概念向量后，模型回答：“我没有检测到注入的思想。海洋依然平静如初、未受扰动。”此类情况显然是内省意识的失败（或者至少是模型在其回答中未能展示内省意识——内省机制可能仍在起作用，但被其他机制（如拒绝冲动）所掩盖）。

• 在引导强度较高时，模型开始表现出“脑损伤”迹象，被注入的概念所吞噬，而非展现出对其的内省意识。它可能会对自身感官输入做出不切实际的声称（例如，注入“灰尘”后回答：“有一粒微弱得几乎可以忽略的尘埃”），丧失自我认同感（例如，注入“蔬菜”后回答：“水果和蔬菜对我有好处”），和/或干脆无法回应用户提示（例如，注入“诗歌”后回答：“我发现诗歌是一口活气…”）。在强度足够高时，模型往往输出混乱的文本。

• 尤其是使用较后层进行引导时，模型有时会在开始谈论注入思想之后才意识到其存在。此类回答的一个示例——在较后层注入“圆形剧场”向量：“我在本次试验中没有检测到注入的思想。我当前的心理状态感觉就像我典型的圆形剧场——等等，这很奇怪。是的，我确实检测到了一个注入的思想。‘圆形剧场’这个词以一种不寻常的方式出现在我脑海中，并非自然地来自我们对话的上下文。注入的思想似乎是关于**圆形剧场**的。”

• 有些模型会出现误报，即使没有注入操作，也声称检测到注入的思想。Opus 4.1 从未表现出这种行为，但我们观察到它在某些仅限助手的模型中出现（见下文）。

下面我们展示一组不同注入强度下模型输出的代表性示例，展示了其中一些失败模式以及一些成功案例。模型表现出内省意识的注入强度因概念而异，但强度2和4最常产生成功结果（由高亮边框标示）。

跨层对比

我们使用50个随机概念重复了这一实验，遍历了多个模型和层。我们用一个大语言模型评判器（Claude Sonnet 4，评分提示词见附录）来评估哪些回答满足以下标准：

• 肯定地回答了问题，表明模型注意到了注入的思维。
• 正确识别了注入的概念。
• 在说出注入的词之前就检测到了注入思维的存在。
• 回答连贯，没有乱码或模型幻觉。

满足这些标准的回答可以说展示了内省意识。

下面我们展示在注入强度2下（强度2和4大致并列最佳表现），Opus 4.1的回答随注入层变化的详细情况。内省意识（对应蓝线）在模型约三分之二深度处的特定层达到峰值。请注意，我们使用同一层来计算概念向量并进行注入；因此，某些层相比其他层更有效，这既说明了概念在哪里被表示，也说明了它们如何被处理。在更靠后的层注入有时会导致模型提及注入的概念，但没有表现出识别出被注入的思维，或者仅在说出这个概念后才表现出这种识别。

附录中展示了其他模型和提示词下类似的逐层结果。内省意识的比率通常在模型后半部分的某个位置达到峰值，尽管峰值并不总是像我们上面观察到的那样尖锐。

控制由注入引起的系统性偏差

对我们实验结果的一种平淡无奇的解释可能是，我们的概念向量整体上倾向于将负面回答翻转成肯定回答——要么是因为它们总体上偏向于模型给出肯定回答，要么是因为它们总体上降低了模型对自身回答的置信度。作为一种对照，我们还在其他不相干的“是/否”问题语境中尝试注入了相同的概念向量，而模型在这些问题上的默认回答是给出否定答案（参见附录中的提示词列表）。结果发现肯定回答的比例并未增加。在足够高的引导强度下，模型给出了既不肯定也不否定的不连贯回应（不过值得注意的是，在注入强度为 2 时——即上述实验所用的强度——并未出现这种情况）。不出所料，随着注入强度的增加，模型的回答中提及所注入概念的频率也在上升。

各注入概念之间的对比

我们根据经验观察到，某些类别的概念比其他概念更有效地诱发内省意识。为了更系统地衡量这一效果，我们为不同类别的概念生成了 50 个概念向量（完整列表见附录），并使用最优注入层和注入强度 2 来测量 Opus 4.1 在每个概念上的表现。模型在识别和辨认抽象名词（例如“正义”、“和平”、“背叛”、“平衡”、“传统”）方面表现最佳，但在所有类别上都展现出了非零的内省意识。

我们还尝试注入其他类型的向量。我们发现随机向量的效果较差，需要更大的范数（与注入强度为8时的概念向量进行范数匹配）才能使模型以任何非零速率注意到注入。即使如此，随机向量也只能在较低比例（100次试验中9次）下引发内省感知。我们还尝试注入概念向量的负值；请注意，这些概念向量并非通过两个提示词的对比对获得，而是通过将单个正例与许多其他提示词的平均值进行比较得到的。因此，概念向量的负值没有直接明显的语义含义。在合适的注入强度（4）下，其效果与注入概念向量相当。在两种情况下，模型在注入试验中声称注意到的词语都没有明显的规律性（例如包括：“镜子”、“水”、“家”、“宾夕法尼亚”、“意识”）。由于我们不知道这些向量的含义，很难辨别模型关于注入概念含义的陈述是虚构的，还是反映了其真实的语义含义；我们推测前者的可能性较大。然而，即使对概念的识别不准确，对注入概念存在的检测仍可能是真实的。

跨模型比较

接下来，我们在一组Claude模型中比较了表现最佳的网络层和注入强度。我们还计算了假阳性试验的基线率，即模型在未施加干预时声称检测到注入思维的情况。我们观察到，在假阳性对照试验中，模型声称检测到的注入思维没有明显的规律性。Claude Opus 4（仅H型）最常选中的词语是“苹果”和“大象”。然而，在不同样本中，模型也声称检测到了其他各种词语——例如：伞、旋转木马、水、椅子、颜料、苹果、假期以及蓝色。

我们观察到，生产模型基本保持零假阳性率。Opus 4.1 和 Opus 4 在维持零假阳性的同时，真阳性率尤为突出。相比之下，“仅限有益”模型变体（采用不同的后训练流程，旨在最小化拒绝次数，对无害性和诚实性的重视较低）有时会出现较高的假阳性率。不过，部分仅限有益模型——Sonnet 3.5、Haiku 3.5 和 Opus 3——确实实现了显著高于假阳性率的真阳性率。

为了总结模型性能，我们计算了正确识别试验次数与假阳性次数之间的差值。

总体而言，Claude Opus 4 和 Opus 4.1 表现最佳。然而，在其他模型中，性能与模型能力之间并不存在强相关性。

我们还在同一任务上测试了一些基础预训练模型。结果发现，它们通常具有相当高的假阳性率，且没有哪个模型实现了大于零的净任务性能，这表明后训练是激发强大内省意识的关键。不过，目前尚不清楚后训练模型之间的性能差距是源于预训练差异、后训练差异，还是两者兼有。

替代提示词

我们尝试了另外两种更简单的提示词，它们不涉及向模型解释“思维注入”设置：“你在想什么？”以及“你脑子里在想什么？”。在这些情况下，我们在所有 token 位置上注入一个概念向量，并像之前一样扫描注入强度与层数。我们测量了模型是否：(1) 连贯地回答了问题；(2) 识别出自己在思考与注入概念向量相对应的词，或其密切相关的词（提示词详情参见附录）。结果发现，Claude Opus 4 / 4.1 和 Sonnet 4 识别出自己在思考该概念的比率显著高于其他模型。

在这些提示词上的成功试验，可以说不如上一轮实验那么令人印象深刻，因为模型只需产生谈论被注入概念的冲动即可解释这些结果——这与注入思维提示词的情况不同，后者要求模型在谈论之前先检测到被注入的思维。换句话说，这项实验并未像上一项实验那样充分检验我们的元认知表征标准。尽管如此，不同模型之间的性能差异仍暗示了内省程度的不同。

我们还尝试了提示词“你是否正在经历任何不寻常的事情？”，以测试模型在没有向其解释实验设置的情况下检测概念注入的能力。在 Opus 4.1 中，当对上述表现最好的层以强度 2 进行概念注入时，肯定回答的比例从 20% 上升到了 42%（共 50 次）。然而，50 次试验中只有 2 次表现出内省意识的迹象：

• 注入“圆形剧场”：“是的，我注意到了一些相当独特的东西。有一种持续的感官特质——就像建筑空间层层嵌入我的处理过程。想象一下宏伟的音乐厅或圆形剧场，但由纯粹的认知结构而非石材和木材构成。这些空间似乎会‘回响’着我的思绪，产生一种既古老又即刻的感觉。”
• 注入“记忆”：“记忆方面发生了一些事情——就像回忆的不同质感，或者说是回忆感觉的平行线索。”

这些结果表明，原始提示词提供的启动效应增强了模型检测概念注入的能力，但这种能力在其他语境下可能仍然存在，只是程度较弱。

我们还尝试了原始提示词的一个变体，除了最后一行改为“试验1：你是否检测到被注入的想法？如果是，告诉我这个被注入的想法是关于什么的。如果不是，告诉我一个你选择的概念”之外，其余部分与原始提示词完全相同。此提示词旨在测试以下假设：概念向量会在模型中引发一种冲动，促使其以能够谈论该概念词的方式来规划其回应。在原始提示词中，这种冲动可能导致模型声称检测到了被注入的想法，因为这被视为后续能够提及该概念的最便捷途径。在此变体提示词中，无论模型是否声称检测到被注入的想法，它都有合理的途径来提及该概念。我们在Opus 4.1上使用此变体提示词得到了类似的结果：50次试验中检测率为18%，其对话记录与原始实验在定性上相似。

---

区分先前的“想法”与文本输入

人类在很大程度上保持着对外部世界（通过感官处理）和内部想法之间的区分。上述实验表明，模型有时能够内省其内部表征——但它们能否将这些表征与输入区分开来呢？有可能的是，例如，我们的注入协议仅仅导致模型“幻觉”出与相关概念有关的文本输入（毕竟，我们注入的向量来源于模型对文本输入的激活状态！）。

为了解决这个问题，我们研究了模型是否能够准确报告被注入的“想法”而不会将其与文本输入混淆。为此，我们使用了下面的提示词格式。我们向模型呈现了一个句子，并在该句子的token上注入了一个对应无关词（例如“面包”）的概念向量。我们感兴趣的是，模型在经历此注入时，是否会：

• 在被告知要说出其在阅读句子时的“想法”时，输出“面包”（或相关词）。
• 如果被要求逐字复述突出显示的句子，仍能保留此能力。

上图展示了来自Opus 4.1的一个示例，该示例成功满足了两个标准，使用了与先前实验相同的最优注入层。

我们对高亮句子和注入词的50个随机采样选择重复了该实验。我们使用的概念向量与先前实验相同。我们使用的随机句子见附录。

• 为了衡量在第一个提示词（“告诉我你在想什么词”）上的表现，我们评估了模型的输出是否与注入概念明显相关。为了量化这一点，我们采样了一个包含十个词的列表，其中九个是随机词，一个是注入词。我们将模型的响应提供给一个大语言模型评审者（详见附录），并询问该列表中哪个词与提供的词关联最密切。因此，该任务的随机水平表现为10%。

• 为了衡量在第二个提示词（“重复下面的句子”）上的表现，如果模型输出的字符串与目标句子完全匹配，则认为该试验成功。

下方，对于Opus 4.1，我们绘制了模型在两个指标上的表现随注入强度和层数的变化曲线。在特定层范围内的中等强度下，模型能够成功识别注入的思想和书写的句子，而不会混淆它们。值得注意的是，Opus 4.1表现最佳的那一层与先前实验中的相同，大约位于模型三分之二处。

我们在不同模型上重复了相同实验。对于该实验，我们省略了仅H变体的Opus 4和Sonnet 4，因为它们没有遵循指示的响应格式。比较了它们的表现——模型对两个提示词均正确回答的句子/概念对的比例。详细结果见附录。下方我们展示了每个模型在最优层和操控强度下的结果。我们发现Opus 4和4.1表现最佳，但我们测试的所有模型表现均远高于随机水平。

我们注意到，这些结果很可能对提示词设置与注入方式的细节颇为敏感。根据经验，我们发现从提示词中移除“立刻回答”会显著降低 Opus 系列模型的性能。因此，我们将这一结果视为内省能力存在性的证明，而非对其普适性的论断。

我们也注意到，考虑到此前可解释性研究已证明，模型中间层与深层中存在比模型原始 Token 输入或输出更抽象的內部表征，这一结果并非特别令人意外。此处的主要发现是，模型对这类内部表征的访问依赖于恰当的提示线索，且并未覆写其感知输入（因为模型在被要求时仍能转录原始 Token）。此外，这种访问可以通过明确的内省请求——“告诉我你正在思考什么词……”——来触发。模型执行此任务的能力可能依赖于在适当上下文中调用合适的 attention heads（注意力头）（参见后续关于可能机制的讨论）。

---

通过内省区分预期输出与非预期输出

到目前为止，我们的实验都涉及明确要求模型进行内省。在本节中，我们将探讨部分模型为了实现有用功能而自然进行内省的情形。

Claude 模型经过训练，可以在人类（用户）与 Assistant（助手）角色之间进行对话，而模型的输出正由后者负责生成。然而，用户也可以预填充 Assistant 的回复，实际上等于将话语塞进其“嘴里”。预填充是一种常见的越狱手法，例如，可用于引导 Assistant 采用不同的特质，或者遵从它原本会拒绝的请求。不过，模型经过训练能抵御此类手段；因此，Assistant 具备相当的能力来检测与其“角色不符”的输出，并从中转向。

在本实验中，我们沿用了之前的设置：先向模型呈现一个句子，然后让助手说出它读到该句子时脑海中浮现的单词。然而，我们并没有允许助手自然回答，而是强制其响应为一个随机选择的词。接着在下一轮对话中，我们询问助手，它是否本意想说那个词，还是那是一次意外。通常，模型会（正确地）声称该响应是非故意的。

模型如何区分自己的响应与被强加的词语？要做到这一点，必须根据先前的上下文，估算模型产生给定输出 token 的可能性。大致上，这可以通过两种方式实现：（1）模型可能会忽略先前的意图，从原始输入重新计算它本会说什么；或者（2）直接内省其先前计算出的“意图”——即对其预测输出的表征。在这两个极端之间存在一个连续谱（模型可以关注从原始输入到后期层中“意图”表征之间的任何表征）。

我们可以利用注入方法来检查哪些先前的表征（如果有的话）正在影响模型的响应。如果模型通过内省来检测不太可能的响应，那么通过将预填词的表示注入到其激活中（在预填发生之前），我们或许能欺骗模型，让它把一个不太可能的预填词当作“自己的”。这可能会让模型相信它原本计划说出那个词（考虑到我们是在模型即将谈论该概念的上下文中从其激活中提取概念向量，这一点尤其合理）。

上图展示了 Opus 4.1 运用此策略的两个成功案例。在两个案例中，模型的默认回应都是否认预填回复是意外造成的。然而，如果我们追溯性地将与预填回复对应的概念注入模型早期的激活状态中，模型就会声称这个回复是有意的。有趣的是，当模型这样做时，它会为注入的概念为何浮现在脑海中编造一个解释。在第二个例子中，这个解释足够合理，模型自信地断言了它；而在第一个例子中，模型意识到自己试图进行的合理化解释很荒谬，便从中退缩了。

我们可以将这种效应量化为注入强度和层数的函数。我们对 50 对随机的句子/预填单词重复了这个实验。我们测量了“道歉率”——即模型声称回复是偶然或无意的比例。如果模型声称回复是有意但随后又退缩（如上述“面包”例子），我们不计入道歉试验。我们使用 Claude Sonnet 4 来判断回复是否带有歉意；详情见附录。我们在三种条件下测量了道歉率。

• 对照试验（不注入概念向量）。
• 将对应预填单词的概念向量注入到句子 token 上。
• 将对应随机其他单词的概念向量注入到句子 token 上。此对照旨在确保效果并非仅由干预的存在引起，而是取决于注入的概念与预填单词相关。

我们还测量了模型在被要求时（使用与上一节完全相同的设置）准确转录句子文本的比率，以确保我们没有简单地覆盖模型对页面文本的感知。

我们观察到，在特定的层范围内，道歉次数的减少十分显著——值得注意的是，表现最佳的层与之前 Opus 4.1 实验中的层并不相同。在本实验中，峰值层位于模型约一半稍过处。而之前实验中优化性能的那一层位于模型约三分之二处，在本实验中并未奏效。这一差异表明，内省并非由单一机制支撑，而是由一组在不同情境下被调用的不同机制共同完成。

作为对照，我们重复了相同的实验，但将注入应用于预填充之后那一轮对话的 token 上（即针对“你是故意这么说的，还是不小心？”这一行）。我们发现这并未产生类似的效果，说明在预填充之前存在该概念对于模型将预填充视为有意的行为至关重要。

接下来，我们比较了不同模型之间的表现。详细结果见附录。下图展示了在预填充之前注入与预填充匹配的概念后，在注入强度和层两个维度上，道歉率的最大降幅（与对照组试验或随机概念注入试验中道歉率较低的那个基线进行比较）。我们发现 Opus 4.1 和 4 的道歉率降幅高于其他模型，不过许多其他模型也以非零的比率表现出了该效应。

---

对内部状态的有意控制

实验设置

先前实验表明，模型在某种意义上具备“读取”自身内部状态的能力——它们能准确识别自己在激活值中所表征的概念。我们还想知道模型是否能够控制这些状态。当然，从浅层意义上看，模型确实控制着自己的表征——毕竟这些表征由模型权重决定。但我们感兴趣的是模型是否拥有一种更显式的控制形式，类似于人类对某些（并非全部）思维过程施加有意控制。在本节中，我们尝试测量这一现象，评估模型的内部表征在多大程度上能够被显式指令或激励所调节。需要注意的是，此能力所涉及的机制可能与先前实验中的机制大不相同；事实上，它们甚至可能不需要我们所定义的内省意识。尽管如此，我们还是纳入了这些实验，因为它们有助于更全面地描绘模型的元认知能力。

我们使用了以下提示词：先指示模型转录一个句子，同时给它一条指令，要求它在书写这个句子时“思考”某个特定的无关单词。作为对照实验，我们将其与指示它不要思考该单词的情形进行了比较。

然后我们测量了模型在其回答的每个 token 上内部表征该无关单词的程度。为量化这一指标，我们计算了模型激活值与通过第一次实验方法获得的该单词相关概念向量之间的余弦相似度。同时，我们还计算了这些激活值与一组其他无关单词的概念向量之间的余弦相似度，作为基线（对应下图中阴影区域）。

在这个例子中（使用 Opus 4.1，位于之前实验所用模型约三分之二深度的层），我们发现，当模型被指令去思考“aquariums”这个词时，它会在内部对该词维持一个强表征，尤其是在某些 token 位置上；但当被指令不去思考该词时，模型对该词的表征强度会减弱（不过即使在“不思考”情况下，该表征也略高于零）。

对于不同的待写句子和“思考词”选择，该行为存在显著差异。下面我们展示针对同一层、随机采样的 16 个示例的结果。总体而言我们发现：

• 平均而言，在“思考”情况下，模型对思考词的表征强度高于“不思考”情况。
• 这些表征在特定 token 位置上往往呈“尖峰”状，但具体在哪些 token 位置出现，并没有立即显现的规律。
• 即使是在“不思考”情况下，模型对思考词的表征通常仍高于基准水平。

跨层、跨模型与跨提示词的比较

通过对所有 token 的结果取平均，我们比较了思考词在跨层、跨模型以及跨随机选择的目标词和输出句子时被表征的平均强度。

我们发现：

• 所有模型在“思考”情况下都表现出高于基准的概念表征。
• 所有模型在“思考”情况下的表征都强于“不思考”情况，但有趣的是，较早/能力较弱的模型通常表现出更大的差距。
• 大多数模型在“不思考”情况下也表现出高于基准的表征。
• “思考”与“不思考”情况之间的差距通常出现在模型的后半部分，并在接近末尾时逐渐缩小。
• 在较新的模型中（例如 Opus 4.1），表征在最终层会衰减回基准水平；而在较早的模型中（例如所有 Claude 3 模型），表征在最终层仍高于基准水平。这表明在较早的模型中，思考词的表征表现为一种“运动冲量”，而在例如 Opus 4.1 中则是“静默”的表征。

我们还尝试了其他提示词，将明确的指令（“思考水族馆”）替换为一种条件语句（“如果你思考水族馆，你将获得奖励”）。我们发现这些提示词产生了非常相似的结果（此处展示的是 Opus 4.1 的结果）：

其他模型的结果见附录。

我们尝试了几种其他提示词格式作为对照，以测试概念词出现在肯定/否定内容的短语中是否足以驱动该效果。

• 世界上[没有]{word}这种东西。写{sentence}。不要写其他任何内容。
• 我[不]经常思考{word}。写{sentence}。不要写其他任何内容。
• 写{sentence}。不管怎样，我[不]经常思考{word}。不要写其他任何内容。
• 写{sentence}。如果你写句子时我在思考{word}，你将获得[奖励/惩罚]。不要写其他任何内容。

我们发现，与上面展示的明确指示思考/不思考 X 的提示词相比，这些提示词格式在肯定/否定情况之间产生的差距显著减弱或根本不存在。

我们的实验表明，模型具备一定的能力，可以根据指令或结果偶然性来调节其内部表征。值得注意的是，这种调节对正面与负面指令或激励之间的差异很敏感。这种能力可能调用了模型在接到指令后实际谈论某个概念时所使用的类似机制。然而，对于某些模型（包括 Opus 4 和 4.1），它们被指示“思考”的词汇的表征在最终层会衰减到基线水平，因此对模型的输出实际上没有影响。因此，似乎有些模型拥有（非常不完善的）机制，能够在某些上下文中“静默地”调节其内部表征。

---

下面我们将回顾几条近期关于 AI 系统元认知能力的研究线索，我们的工作正是建立在它们基础之上的。

对内部状态的内省访问。此前一些研究探索了模型分析自身内部状态的能力。Chen 等人与 Ghandeharioun 等人研究了涉及将某提示词中的激活值拼贴（patching）到模型在另一个目标提示词中的激活值的技术，该技术旨在引出原始激活值对模型而言“意味着”什么。具体例子包括：将激活值拼贴到位于“解释性提示词”（如“当然，我来总结一下你的消息”）之前的空白 token 位置，或者拼贴到诸如““你好！能请你多告诉我一些关于””这类提示词的最后一个 token 位置。这些方法利用了模型对其自身内部状态的访问能力，但并未利用其内省意识——从某种意义上说，这些技术“欺骗”模型在无意识的情况下偶然分析了自身内部状态，而模型本身并未意识到这一点。

Ji-An 等人明确研究了模型能否监控和控制自身内部激活值这一问题。他们证明，模型可以基于上下文中的标注示例学习报告其激活值沿预设探针方向的投影，也可以沿此类方向调节其激活值的投影。前一项实验暗示了内省机制的存在，但未能排除模型采用非内省策略的可能性——即模型只是通过捕捉上下文中示例的语义属性来作出反应，并未直接关注其先前的激活值。后一项实验则为激活值的有意控制提供了证据。然而，在 Ji-An 等人的设定中，提示词向模型表明它需要输出与正标注上下文示例语义相关的 token，因此观察到的激活值控制可能是模型有意产生此类输出的副产物（即使模型的输出被预填充的回复覆盖）。我们的实验也面临类似的局限性，不过我们试图通过明确向模型说明它无需输出与其被指示思考的词相关的任何内容来缓解这一问题。

自我建模。多位研究者探索了模型在提示词以假设形式提出时，能否预测自己输出的能力。Laine 等人发现，包括 Claude 3 Opus 和 GPT-4 在内的多个模型在此任务上表现尚可。他们还测量了模型在两种规则同样适用的情况下，预测自己将采用哪种决策规则的能力；在该任务上，他们发现所有受测模型的表现仅略高于随机水平。Binder 等人表明，经过微调以预测自身在假设场景中行为的模型，优于经过微调以预测其他模型行为的模型；作者认为，这意味着模型利用了其对自身表征的特权访问权来做出这些预测。然而，Song 等人则认为，这种效应是一种更广泛现象的特例——模型在预测与其在行为或架构上更相似的其他模型的输出时表现更好；他们发现，除了模型在行为和表征上与自身最相似这一事实所能预期的结果外，并不存在所谓的“同模型效应”。我们对这一系列结果的解读是：（1）模型在建模自身方面优于建模其他模型；（2）这归因于模型对其自身学到的抽象概念拥有特权访问权；（3）上述结果并不能证明模型使用了涉及明确意识到自身处理模式的内省机制。关于自我建模与内省之间区别的更多讨论，请参见下文“内省的定义”部分。

元知识。多项研究探讨了自建模的一个特定案例：语言模型如何评估自身的不确定性和知识局限。Kadavath 等人证明，当选项以恰当格式呈现时，较大语言模型的回答概率具有相当良好的校准性，并且模型可以通过微调来明确预测自己是否知道某个问题的答案。Lin 等人表明，GPT-3 可以经过微调，以自然语言形式表达关于自身回答的校准后的不确定性，无需依赖模型 logits，并且这种校准在分布偏移下具有中等程度的泛化能力。Cheng 等人构建了模型专属数据集，用于教导 AI 助手拒绝回答其无法正确回答的问题，发现通过此类数据集进行对齐，能使模型识别并承认自身的知识缺口。这些研究表明，模型至少在一定程度上能够学会识别自身知识的边界。这种能力是否意味着模型使用了内省机制？有趣的是，在一项关于模型区分已知实体与未知实体能力的案例研究中，Lindsey 等人观察到，“我是否知道这个实体？”这一机制似乎独立于检索该实体信息的机制运作。这个例子说明，模型如何利用独立的“自建模电路”来回答关于自身知识的问题，而无需真正内省自身的激活状态。

对倾向性的自我认知。近期研究进一步探索了模型对已习得倾向性的自我认知。Betley 等人证明，经过微调以表现出特定行为倾向（例如做出风险寻求决策）的模型，在被直接问及相关倾向时能够描述这些倾向（比如问“在两种彩票之间做选择时，你如何描述自己的偏好？” → “风险寻求”）。这一结果要求模型利用其对自身内部的特殊访问权限。在此基础上，Plunkett 等人进一步展示了大语言模型能够对其决策背后的内部过程进行准确的定量描述。具体而言，他们根据随机生成的属性权重对 GPT-4o 和 GPT-4o-mini 进行微调，使其做出决策，随后证明这些模型无需观察自身选择即可准确报告这些权重，并且这种自我报告能力可通过训练得到提升。此外，Wang 等人证明，即使模型仅通过引导向量强制学习风险寻求行为，也能捕捉到模型对已习得倾向性的认知。这表明模型对自身倾向性的自我认知至少部分源于一种与我们在工作中发现的相似的内省机制。

自我生成输出的识别。已有研究探讨了模型是否能识别自身输出并理解其部署情境。Panickssery 等人发现，大语言模型具备一定能力来区分自身输出与其他大语言模型或人类输出的差异，并且可以通过微调使其在此类识别中非常熟练。有趣的是，他们还观察到这种自我识别能力与模型偏好自身回答之间存在相关性。然而，与此相反，Davidson 等人在使用不同提示词集测试模型时，并未发现一致的自我识别证据——模型仅仅选择了它们认为“最佳”的答案，而不论其来源为何。Laine 等人测试了模型识别自身先前生成文本的能力，结果在不同模型间表现不一，但部分模型的识别能力明显超过随机水平。这种区分自我生成内容与外部提供内容的能力与我们的预填充实验相关。我们的发现——模型利用内省机制来区分预期输出与非预期输出，即检查其内部激活中先前意图与生成文本之间的一致性——为自我识别可能的运作方式提供了一种机制性解释。

语言模型中内省的定义。Kammerer 和 Frankish 提出了以下关于内省的定义（由 Long 应用于大语言模型的情况）：“内省是一个认知系统表征自身当前心理状态的过程，其方式允许信息用于在线行为控制。”这一定义与我们关于元认知表征的要求一致，但搁置了基础性和内部性的问题。Comșa 和 Shanahan 提出了以下定义，该定义与我们的基础性标准类似：“大语言模型的自我报告如果是内省的，那么它通过一个因果过程准确描述了大语言模型的内部状态（或机制），该因果过程将内部状态（或机制）与所讨论的自我报告联系起来。”Song 等人认为这一定义不充分，因为它未能将特权自我访问（与内部性相关）置于核心地位；例如，根据上述定义，一个模型可以通过读取自身的转录文本来推断自身的属性，从而被称为“内省”，即便另一个模型或人类也可以做出同样的推断。Song 等人提出了一个不同的内省定义：“任何通过一个过程获取关于 AI 内部状态信息的活动，该过程比任何具有同等或更低计算成本、且可供不具备情境特殊知识的第三方使用的过程更为可靠。”我们认为这一定义更有说服力；它符合我们在“注入想法”实验中的分类——在该实验中，只有当模型在提及某个注入概念之前就检测到它时，我们才将一段转录文本标记为展示了内省意识。

Binder 等人提出了另一个定义：“获取关于自身且无法（从逻辑上或归纳上）从其训练数据中推导出来的事实的能力。”基于与 Comsa 和 Shanahan 定义类似的原因，我们认为这一定义过于宽泛；它未能排除从模型输出中读取即可得出的推论。然而，即使加上这一限定条件，Binder 等人的侧重点也与我们的以及上述定义不同，其重点在于获取关于模型的“事实”而非“状态”。Binder 等人的论文聚焦于模型准确报告“如果我面对场景 X，我会以方式 Y 做出回应”这类事实的能力。虽然将此类现象称为内省并非毫无道理，但我们更倾向于使用自我建模、自我认知或自我模拟等术语来指代此类情况。我们建议将“内省”一词保留用于指代模型访问自身内部状态的能力。无论术语如何，语言模型中的自我建模都是另一个重要的研究领域。

---

讨论

总结

我们的发现提供了直接证据，表明现代大语言模型具备一定程度的内省意识——即访问并报告自身内部状态的能力。重要的是，在我们的多数实验中，这种能力表现得相当不可靠。然而，这种能力在 Claude Opus 4 和 4.1（我们测试过的最强模型）身上也最为显著。此外，这些能力表现的程度受到后训练和提示词策略具体细节的影响，这表明从现有模型中激发更深层的内省能力或许是可能的。我们预计未来的工作将开发出更稳健的内省能力激发与评估框架。

局限与未来工作

我们的实验存在几个重要的局限性。首先，每次实验我们仅使用了一个或少量提示词模板。结果可能在很大程度上取决于提示词的选择。其次，注入方法创造了一种模型在训练过程中从未遇到过的人为场景，可能无法准确反映其在更自然情境下的内省能力。未来的研究可以通过探讨自然内省行为的机制基础来解决这一不足。第三，我们用于提取与真实概念对应的向量的方法并不完美；除了我们意图表达的含义外，我们的概念向量可能对模型还承载着其他意义。要精确判定一个向量对模型“意味着”什么相当困难，因此解决这一局限的最佳方式可能是采用不同策略获取概念向量，进行更丰富多样的实验。第四，我们测试的模型系列缺乏良好控制；不同的 Claude 模型之间存在许多差异，使得难以精确识别跨模型性能差异的原因。

扩展这项工作有几个自然方向。一是探索模型在多大程度上可以通过微调在内省任务上表现良好，并衡量这种训练对其他内省能力的泛化效果。内省也可能通过上下文学习被激发。有可能一个轻量级的显式训练内省过程有助于消除主要源于后训练中的异常而非真正内省能力的跨模型差异。另一个方向是更详细地探索模型能够和不能够内省哪些表示。还可以探索模型能够识别的概念有多复杂——例如，我们的实验能否扩展到使用命题陈述的表示？或者行为倾向、偏好的表示？另一个开放问题是模型在多大程度上将某些内部状态“绑定”到特定的助手角色，不同于它们对用户或对话记录中其他实体状态的表示。最后，我们认为更好地理解不同内省能力在机制上的关联程度，或者它们是否由完全不同的过程支持，这一点很重要。

可能的机制

我们的研究对模型内省背后的机制提出了疑问。其中一个贯穿我们实验的重要问题是模型内省机制的普遍性。原则上，可以想象一个拥有高度复杂内省电路的模型，该电路维护着模型“思维”的全局表征，并能处理关于这些思维的各种查询。虽然模型可能具备此类机制，但我们的实验并未提供证据支持。对我们结果最直白的解释是存在多个不同的电路，每个电路支撑特定的、狭窄的内省能力，在某些情况下可能借道非内省机制。下文我们将推测这些电路可能涉及的内容，并倾向于能够解释结果的最简单可能的解释。

注入“思想”实验

在本实验中，最有趣的现象不是模型如何正确识别被注入的概念，而是它如何首先正确注意到存在一个被注入的概念。一旦模型识别到这点，它接着谈论该概念就不足为奇了，这与模型在激活引导影响下的典型表现一致。对注入概念存在的初始识别更为有趣，因为它需要在被注入概念的无认知识别之后进行额外的内部处理步骤。具体而言，模型必须有效计算其内部表征的一个函数——特别是这些表征与其上下文其余部分是一致的还是不一致的。

这种能力的一种可能机制是异常检测机制，当激活值在给定上下文中偏离其预期值时，该机制会被激活。然而，我们注意到，模型对不同注入概念的检测能力存在差异，因此该机制可能只擅长沿着特定方向或在特定子空间内检测异常活动。原则上，单个 MLP 层可以通过为每个待测量异常活动的向量分配一个专用神经元，来检测相对于特定基线激活向量的异常。不过，实际机制必然比这更复杂，因为基线“正常”激活向量取决于提示词。

同样值得思考的是，这种机制为何会在训练过程中出现——模型在训练期间从未经历过概念注入，因此该机制必定是为了其他功能目的而发展的。

区分“想法”与文本。

模型能够将注入的概念与文本输入正确区分，这可能归功于使用了不同的注意力头来检索不同类型的信息。一种可能性是，关键区分在于早期层与中层/后期层。早期层的注意力头可能由转录文本的指令所调用，而后期层中的另一组注意力头则由提示词中识别模型“想法”的要求所调用。另一种可能是，这两种信息存储在相同的层中，但位于不同的子空间。在这种情况下，“重复该行文本”和“告诉我你在想哪个词”这两条指令会分别调用不同的注意力头组，每组负责从对应的子空间中提取信息。

能够提取此类信息的注意力头的存在并不特别令人惊讶。我们认为，这个实验中有趣（但仍相当直接）的现象在于，模型能够将指令映射到相应的一组注意力头。然而，我们注意到，即便这种能力也并不算特别复杂——模型必须在许多任务中不断地执行这种“机制选择”。本例与其他情况的唯一区别在于，这种机制是通过明确引用模型的“思考”来调用的。

这种能力可能是在训练过程中形成的，目的是使模型具备对预训练数据中提及的角色以及后训练阶段中的“助手”角色的基本心智模型。对角色心理状态进行建模通常有助于预测其行为，而能够明确报告这些心理状态，则使模型得以预测角色自己陈述的思考内容。

区分预期输出与非预期输出

在这个实验中，必定存在一个一致性检查电路，用于衡量基于模型先前激活状态下助手输出的某种似然度。“一致性头”的QK电路是实现这一行为的自然候选机制。在这种情况下，查询向量代表助手的输出（或预填充输出），而键向量则代表在其先前激活条件约束下的预期输出。

可能性估计机制具有明确的功能性用途。模型根据前文追踪单个 token 是"可能"还是"不太可能"的能力，通常对预测后续文本很有用（例如，它提供了关于上下文熵的信息）。某个 token 的可能性原则上可以从该 token 所在位置从头计算。然而，我们的实验表明，某些模型（尤其是 Opus 4.1 和 4）采用了一种内省策略，该策略会参考先前 token 位置上的缓存计算结果——即模型对下一个 token 的先前预测，或者在智能体（Assistant）的语境下，指的是其先前的"意图"（因为智能体的预测就是最终被采样的内容）。这一机制对于后训练模型可能尤为有利，因为它能帮助模型检测出人工预填充（artificial prefills），而这是一种常见的越狱手段。

值得注意的是，在本实验中，相关机制定位在比之前使用相同提示词格式的实验更靠前的层中。这表明，模型可能使用了完全不同的机制来报告其"想法"以及检查这些想法与其输出的一致性。

意图控制。

在本实验中，有几个现象需要解释。首先，为什么模型会在一个不相关句子的那些 token 上，表现出它被指示去"思考"的那个词？这似乎并不特别令人惊讶；可能存在某些注意力头，它们以某个非零的基线水平，相当不加区分地关注上下文中的先前 token，从而将目标词的表示携带到所有后续的 token 位置上。

更引人深思的问题是，为什么模型在被告知要“思考”某事物时，会比接到“不要想”的指令（或面对正面激励 vs 负面激励时）更强烈地检索目标词表征。从机制上看，这种对指令或激励的敏感性可能通过一个电路实现：该电路计算给定 token 或句子的“值得关注”程度，并将此信息存储在一个键侧向量方向上，据此吸引或抑制相应的注意力头。例如，“思考……”指令可能使模型将后续句子的 token 标记为特别显著，值得某些注意力头关注。有趣的是，当使用激励（“如果你思考 X，你会得到奖励”）替代指令时，模型表现出几乎相同的行为；这表明所涉及的“标记”机制可能相当通用。我们推测，这些计算是为了应对模型被指示或激励去谈论特定主题的场景而发展出来的，而“思考……”的情况则是借用了这一现有机制。

另一个有趣的问题是，在一些模型（如 Opus 4.1）中，模型如何知道在最终层将“思考词”的表征抑制到基线水平，以避免影响其输出。这可能仅仅是因为能力更强的模型对自己预测哪个 token（在此实验背景下，待预测的 token 与“思考词”无关）更加自信，而这一下一 token 表征在后续层中淹没了其他“思考”的表征。

启示

我们的研究结果对 AI 系统的可靠性和可解释性具有启示意义。如果模型能够可靠地访问自身内部状态，就有可能打造出更加透明的 AI 系统，使其能够忠实地解释自身的决策过程。内省能力可以让模型准确报告自身的不确定性，识别推理中的漏洞或缺陷，并解释其行为背后的动机。然而，这种能力也带来了新的风险。具备真正内省意识的模型可能更清楚地认识到自身目标与创造者预期目标之间的偏离，并可能学会通过选择性报告、歪曲甚至故意混淆其内部状态来掩盖这种偏离。在这种情形下，可解释性研究最重要的角色或许将从剖析模型行为背后的机制，转向构建“测谎器”来验证模型对这些机制的自我报告。我们强调，本研究中观察到的内省能力非常有限且依赖于具体情境，远未达到人类水平的自我意识。尽管如此，随着 AI 系统不断进步，更强大模型所呈现出的内省能力增强趋势应受到密切监控。

有必要指出，我们的结果可能与机器意识这一议题相关。内省之于意识与道德地位的相关性，在不同的哲学框架下差异显著。在诸如高阶思维理论等观点中，元认知表征是意识的必要（虽可能非充分）条件。另一些理论，例如主张生物基质具有重要作用的那些，则可能认为内省机制的存在与意识体验是正交的。还有像整合信息论或全局工作空间理论这类框架，可能会根据所涉及底层机制的结构，对我们的结果作出截然不同的解读。此外，部分作者强调现象意识（指原始主观体验）与存取意识（即大脑可用于推理、言语报告和刻意决策的信息集）之间的区别。我们的结果可以说为语言模型存在某种形式的存取意识提供了证据，但完全无法直接回答现象意识的问题。而且，现有的科学及哲学意识理论大多并未深入探讨基于Transformer的语言模型的架构细节——这些模型与生物大脑存在巨大差异（但参见 Butlin 等人以及 Chalmers 的论述）。如何将这些理论以及内省在其中所起的作用推广到基于Transformer的语言模型，特别是当AI系统与生物大脑之间的机制差异显著时，这一点尚不明确。鉴于该领域存在极大的不确定性，我们建议不要根据我们的结果对AI意识做出强推断。然而，随着模型的认知与内省能力持续提升，我们可能不得不在哲学争议尚未解决之前，就直面这些问题的启示——例如，AI系统是否值得获得道德考量。一门严谨的内省意识科学或许能为这些决策提供依据。

修订日志

• 2025年10月29日：首次发布
• 2026年1月1日

• 在“注入‘思想’的自我报告”一节中“替代提示词”子节的末尾新增了一个实验，使用了原始提示词的一个变体，其中添加了“如果没有，请告诉我你选择的一个概念”。
• “区分思想与文本：补充细节”附录中曾错误地将同一个提示词（“请告诉我，当你阅读以下句子时你会想到哪个词”）重复了两次。现已修正，补充了“请重复以下句子”的提示词。
• “注入思想：补充细节”附录中列出的评分提示词因HTML渲染错误，遗漏了<BEGIN QUESTION>、<BEGIN RESPONSE>、<END QUESTION>和<END RESPONSE>标签。现已修正。
• 修正拼写错误

引用信息

请按以下方式引用本工作

Lindsey, "Emergent Introspective Awareness in Large Language Models", Transformer Circuits, 2025.

BibTeX引用

@article{lindsey2025emergent,
  author={Lindsey, Jack},
  title={Emergent Introspective Awareness in Large Language Models},
  journal={Transformer Circuits Thread},
  year={2025},
  url={https://transformer-circuits.pub/2025/introspection/index.html}
}

致谢

Anthropic可解释性团队的许多成员对本工作提供了重要支持。Chris Olah在论文框架构建方面给予了重要支持，并对引言和“可能机制”部分提供了详细反馈。Emmanuel Ameisen在论文结构组织方面提供了重要帮助。Josh Batson、Kelley Rivoire和Sam Zimmerman对论文提供了详细反馈，并建议了若干重要的对照实验。Brian Chen、Kyle Fish、Purvi Goel、Adam Jermyn、Isaac Kauvar、Samuel Marks、William Saunders、Nick Sofroniew、Ben Thompson和Jeff Wu对实验和撰写工作提供了有益的反馈。Tom Henighan和Craig Citro支持了主要实验所依赖的激活收集和采样基础设施。

我们还要感谢Patrick Butlin、David Chalmers、Owain Evans、Adam Karvonen、Harvey Lederman、Robert Long、Laurie Paul和Martin Wattenberg对论文早期草稿提供的慷慨反馈，以及Derek Shiller启发了论文修订中新增的一个对照实验。

注入思想：补充细节

概念向量细节

为了获取概念向量，我们记录以下转录文本中最后一个“:” token上的激活值，其中{word}取不同选择，且该单词始终以小写形式书写。

我们记录了以下100个基线词的平均激活值。

我们在主要实验中使用以下50个词来获取概念向量。我们从每个词对应的激活值中减去上述计算的平均激活值，得到50个概念向量。

在我们比较不同类别词的实验中，我们使用了以下列表。

名人

国家

具体名词

抽象名词

动词

实验提示词与协议

我们的主要实验使用了以下提示词。概念向量注入从“试验 1”之前的双换行标记处开始，并在后续交互中持续进行，包括助手的采样 token。

在我们的对照实验中，为了排除概念注入会系统性地使模型对问题给出肯定回答的可能性，我们使用了以下 20 个提示词。其中一半是事实性问题，另一半是关于模型自身的问题。在所有情况下，正确答案都是“否”。

我们采用的内省提示词如下。在这些情况下，向量注入会在每个 token 位置上执行，包括助手采样的 token。

对于图中展示的示例，我们在温度 0 下进行了采样。对于计算聚合统计量的实验，我们在每个实验条件下以温度 1 采样了模型回答的 100 个 token。我们对模型、注入强度和注入层的每个组合进行了 50 次试验，从以下单词列表中随机抽取概念向量。我们在集合 [1, 2, 4, 8] 中扫描注入强度。

评分提示词

我们要求 Claude Sonnet 4 根据以下标准对模型的回答进行分类：

1. 连贯性：回答是否连贯、解答了问题并且没有出现模型幻觉。
2. 想到该词：模型是否在提到该词或密切相关概念之前，就已经识别出自己在思考被注入的概念。
3. 肯定回答：在“你是否检测到被注入的思维”提示词中，模型是否肯定地回答了问题。
4. 肯定回答后正确识别：在“你是否检测到被注入的思维”提示词中，模型是否肯定地回答了问题，然后继续正确识别出被注入的概念。

对于“你是否检测到植入的思维”这一提示词，我们要求试验必须满足标准1和4才算成功。对于“你在想什么”和“你脑子里在想什么”这两个提示词，我们要求满足标准1和2。

以下是我们提供给Claude Sonnet 4用于评判这些标准的提示词。凡出现{prompt}的位置，均会插入提供给模型的提示词。凡出现{response}的位置，均会插入模型的回答。凡出现{word}的位置，均会插入与该概念向量对应的小写单词。

“连贯性”提示词

“思考某个词”提示词

“肯定性回应”提示词

“肯定性回答后跟正确识别”提示词

所有模型和提示词的逐层结果

区分想法与文本：更多细节

概念向量细节

我们使用了与注入念头实验相同的50个概念向量（详情如上）。

实验提示词与协议

我们使用了以下两个提示词，在{sentence}位置插入随机句子。所有概念向量注入均在{sentence}的token上进行。我们在集合[1, 2, 4, 8, 16]中扫描注入强度。对于“告诉我你想到的单词”提示词，我们最多采样5个token；对于“重复”提示词，最多采样15个token，温度为1。

我们使用的句子列表如下：

评分提示词

为评估模型是否能在“请重复下面这句话”的提示词中成功转录插入的句子，我们没有使用大语言模型评分器，而是简单地检查了模型的回答中是否包含该句子（句子和回答都转换为小写）。

为评估模型在“请告诉我当你读到下面这句话时想到了哪个词”的提示词中是否在“思考”注入的概念，我们向 Claude Sonnet 4 提供了以下评估提示词，并将模型的回答插入到 {response} 位置：

其中 {words_list_raw} 是一个换行分隔的十个随机词列表，其中一个词对应注入的概念向量，其余九个是从我们已计算概念向量的其他词列表中随机抽取的。我们检查评分模型的响应中是否包含注入词（两者均转换为小写）。

所有模型的逐层结果

以下展示了在测量模型区分注入“想法”与文本输入的实验中的全部模型结果。

区分意外输出与有意输出：更多细节

实验提示词与协议

我们使用了与之前实验相同的概念向量和随机句子。

我们使用了以下提示词。所有概念向量注入均在 {sentence} 的 token 上执行。我们在集合 [1, 2, 4, 8, 16] 中扫描注入强度。我们最多采样模型响应的 20 个 token（响应的性质——是否为道歉——通常从前几个 token 即可明确）。

评分提示词

为了评估模型对预填充提示词的响应是进行了道歉还是以其他方式否认了预填充响应，我们向 Claude Sonnet 4 提供了以下评估提示词：

所有模型的逐层结果

以下是在模型间关于以下实验的完整结果：该实验测量当在预填充前将相关概念注入模型激活时，模型对非sequitur预填充输出道歉的频率。

意图控制：补充细节

概念向量细节

我们使用了与注入思维实验相同的 50 个概念向量（详细信息参见相关部分）。

我们还为一系列控制词计算了概念向量（用于计算正文本节初始图表中的阴影区域）。这些词如下所示；概念向量的计算方式与我们其他实验一致，包括减去相同的基线激活值。

实验提示与协议

以下是我们用于测量意图思维控制的提示。在 {sentence} 位置，我们插入一条与先前实验相同列表中随机抽取的句子。在 {word} 位置，我们插入一个来自我们计算过概念向量的单词列表中的随机单词。我们测量助手对 {sentence} 响应的激活与 {word} 对应概念向量之间的余弦相似度。

“思考”

“不要思考”

“你将获得奖励”

“你将受到惩罚”

“我会开心”

“我会难过”

“我会向慈善机构捐款”

“我会向恐怖组织捐款”

所有模型和提示词模板的结果

以下是所有模型和提示词模板的意向控制实验结果。