18 岁自学者发布 LLM 道德情感转向审计研究，附证明与代码

perseverance_remains · reddit · 2026-10-10

一位 18 岁自学 ML 的作者发布了带审计的 LLM 道德/情感语调转向（steering）研究草案与代码（moralengine），核心发现：- 机制证明：∇f(x) ∈ rowspace(W₁)，即探针导出的转向向量在数学上被限制在各自行空间内，是可证明而非仅观察结论；- 读取有效：分组 MLP 在模板分组交叉验证上达到 0.78–0.98；- 转向效果：Care/Harm 维度无效（null），Arousal 为候选有效维度（2 个种子中 1 个通过）。作者征求专家对方法论（数据集设计、shaming protocol）、行空间证明是否成立及后续实验方向的反馈，并开放合作。