Probing

以「信念自我蒸餾」提取使用者模型：揭示大語言模型對用戶意圖的內在表徵

Extracting User Models via Belief Self-Distillation: How LLMs Form and Use Beliefs About Users

本研究提出「信念自我蒸餾（BSD）」框架，能讀取並寫入大語言模型對使用者的隱含信念，揭示模型如何根據其推測的「使用者意圖」來決定是否拒絕回答，並發現不同模型間存在共享的表徵幾何。