TrustMI 论文发现可因果操控 AI 对用户的信任

arXiv 新论文《TrustMI》研究「AI 模型是否信任用户」这一问题：作者在 6 个大语言模型中发现了线性的「信任方向」，并通过学习激活转向矩阵，能够因果性地、双向地调节助手对用户的信任程度。该工作为理解和控制 AI 助手的信任行为提供了可解释的新工具。

2026-10-14 ~ 2026-10-15 · 3 条相关

• 新论文 TrustMI：在 6 个 LLM 中找到线性「信任方向」 — ThomasScialom · 2026-10-14
• TrustMI 论文：激活转向可双向调节 AI 对用户的信任 — IgorCarron · 2026-10-15
• TrustMI 论文：用激活向量因果操控 LLM 助手对用户的信任 — IgorCarron · 2026-10-15