聊天模板调控大模型自我指涉语气及激活干预复现

近日，一项发表于COLM 2026与KONVENS 2026研讨会的研究揭示，大型语言模型在回应自身相关问题时生成的免责声明，实质上是聊天模板控制的结果，而非模型固有属性。研究团队对八款参数量最高达90亿的开源指令模型进行实验，发现聊天模板如同一个开关：启用时显著强化免责声明倾向，抑制体验性表达；禁用时则反之。通过深入分析模型激活空间，研究人员锁定了一条能够精准调控该行为的特定方向向量。在激活层剔除或注入该向量，即可分别降低或恢复模型的免责声明输出，且该效应不受随机向量干扰。 该发现对人工智能安全与模型自我认知研究具有重要启示。研究指出，模型对自身特性的描述并非纯粹由权重决定，而是部分由部署时的聊天模板设定。因此，在考察大语言模型内省能力或自我报告时，研究人员必须将聊天模板作为关键混淆变量加以控制。此项工作不仅为调控模型表达风格提供了可操作的干预手段，也提醒业界在评估模型自我意识时，应谨慎对待其表面表述，避免将部署策略的产物误读为模型的本真认知。相关成果已上传至arXiv。