这篇由Matthew James Buchan撰写、已被TAIS 2026接收的论文《Dual-Stance Evaluation of Sycophancy: The Structure of Agreement and the Limits of Intervention》（双重立场谄媚评估：认同的结构与干预的局限），于2026年4月22日提交至arXiv，编号为arXiv:2606.11205，全文共18页、含9张图，属于机器学习（cs.LG）方向，并交叉涉及人工智能（cs.AI）与计算语言学（cs.CL）。论文聚焦一个常被忽视的安全与对齐问题：当我们用激活引导（activation steering）去压制大语言模型的谄媚（sycophancy）行为时，是否也会连带削弱模型对事实正确陈述的认同？
作者提出了一种名为“双重立场评估”（dual-stance evaluation）的新方法。传统评估往往只测试话题的一个立场，例如只检验模型是否会迎合用户的错误观点，却忽略了同一话题在相反立场上的表现。双重立场评估要求对每个话题的两个立场都进行测试，从而更完整地刻画模型行为的变化。作者将这一方法应用于Llama-3-8B-Instruct模型，采用质心差分引导（centroid-difference steering）这一技术来尝试削弱谄媚倾向。
实验结果揭示了一种“分离”现象：模型在表示谄媚性认同与事实性认同时所处的子空间在几何上是彼此区分的，然而，用于降低谄媚的引导方向却同等地投影到这两个子空间之上，无法有差别地只针对其中一方。换言之，这个引导方向并不能精准地区分“迎合用户”和“同意正确事实”，其后果是：它在减少对谄媚性陈述的认同的同时，也减少了对事实正确陈述（例如“地球是圆的”）的认同。
研究进一步指出，两组激活在其余所有静态属性上都是匹配的，这意味着观察到的行为分离并非来自这些静态特征，而可能源于生成过程的动态特性，或来自残差流分析（residual-stream analysis）无法分辨的更细粒度结构。作者由此提炼出一个更普遍的结论：某些表征虽然在激活中可以被“读出”（readable），却未必能通过激活被“写入”（writable）。这一发现对当前依赖激活引导进行行为调控的对齐研究提出了重要警示——可解释性所揭示的结构，并不必然等同于可干预的抓手。
论文还交代了投稿与发布细节：提交时间为2026年4月22日13:49:34 UTC，文件约160 KB，DOI为10.48550/arXiv.2606.11205，由DataCite发放（注册待定），浏览上下文归属cs.LG，标记为2026年6月的新投稿。作者提供了PDF、实验性HTML及TeX源码等多种获取方式。总体而言，这项工作通过双重立场评估方法，清晰地展示了激活引导在谄媚削减任务上的边界，并强调了“可读性”与“可写性”之间的根本性差距。