谁在指挥？解构指令遵循中的角色冲突

大语言模型应遵循分层指令，即系统提示覆盖用户输入，但近期研究表明它们经常忽略此规则，却强烈遵从权威或共识等社会线索。我们通过大规模数据集上的机制解释扩展了这些行为发现。线性探测显示冲突决策信号被早期编码，系统-用户冲突和社会冲突形成不同的子空间。直接逻辑归因揭示出系统-用户案例中更强的内部冲突检测，但仅对社会线索有一致的解决。干预实验表明，尽管使用了社会线索，这些向量却以角色无关的方式惊人地放大了指令遵循。这些结果共同解释了脆弱的系统服从性，并强调了需要轻量级的层次敏感对齐方法。