通过行为反事实解释模型推理

研究人员提出一种基于行为反事实解释模型推理过程的方法，通过训练模块编辑残差流，最小化固定回复在不同提示词下的输出分布 KL 散度以复现反事实行为。在 Gemma-4-E4B-it 与 DeepSeek-R1-0528-Qwen3-8B 上的案例研究显示，外部建议即便未被模型明确提及，也会通过问题表述与填充 token 处的表征显著改变论证框架甚至最终答案。