抵抗与更新：激励兼容LLM的反事实报告坐标

摘要（译文）：对齐模型在非证据激励压力下常误报（附和自信用户或夸大确定性）。本文归因为内部激励不兼容(IC)失败，提出学习并认证"反事实报告中介"：对禁止影响（压力/声望/改风格）不变、对授权证据（真实证据）响应。两需求"抵抗"与"更新"方向相反。在贝叶斯见证基准上，用互换干预（而非探针精度）因果识别答案/置信/告诫的低秩报告坐标；免训练的双通夹紧达到抵抗与更新同时 1.00（95% CI [0.99,1.00]）。

作者：Sen Yang, Yuen-Hei Yeung｜发布：2026-07-14｜原文：arxiv.org/abs/2607.12985