理解大语言模型中的道德推理轨迹：迈向基于探测的可解释性

大语言模型日益参与道德敏感决策，但其推理步骤中的伦理框架组织机制尚不明确。本文提出“道德推理轨迹”概念，分析中间推理步骤中伦理框架调用的动态变化。研究发现道德推理涉及系统的多框架审议，连续步骤中框架切换频繁，且不稳定轨迹更易受说服攻击。通过线性探测定位了特定层的框架编码，并利用轻量级激活 Steering 调节框架整合模式。此外，提出了与模型连贯性强相关的道德表示一致性指标，并经人工标注验证。