从潜在信号到反思行为：追踪 R1 风格大语言模型中元认知激活轨迹
计算与语言
2026-02-06 v2
摘要
R1 风格的大语言模型因其自我反思能力而受到广泛关注，但其内部机制仍不明朗。为弥合这一差距，我们聚焦于反思行为的起始点，追踪其各层的激活轨迹。利用 logit 镜头读取 token 级别的语义，我们发现其结构化的进程：(i) 潜在控制层，编码思考预算语义的近似线性方向；(ii) 语义枢纽层，话语级别的线索（包括转折点和总结线索）逐渐显现并占据主要概率质量；(iii) 行为显现层，反思行为 token 的概率开始上升直至成为高度被采样的可能性。此外，我们的定向干预揭示了这些阶段之间的因果链：提示级别的语义调制了沿潜在控制方向激活的投影，从而在语义枢纽层中诱发转折点与总结线索之间的竞争，进而调节行为显现层中反思行为 token 采样概率。总体而言，我们的发现表明一种类似人类的元认知过程——从潜在监控，到话语层次的调节，再到最终的显性自我反思。我们的分析代码可在 https://github.com/DYR1/S3-CoT 查看。
引用
@article{arxiv.2602.01999,
title = {From Latent Signals to Reflection Behavior: Tracing Meta-Cognitive Activation Trajectory in R1-Style LLMs},
author = {Yanrui Du and Yibo Gao and Sendong Zhao and Jiayun Li and Haochun Wang and Qika Lin and Kai He and Bing Qin and Mengling Feng},
journal= {arXiv preprint arXiv:2602.01999},
year = {2026}
}