J-space：大模型黑箱里的公共白板

干预运动项目例子里，J-lens 先读到 Soccer（足球）。研究者把 Soccer（足球）换成相近的 Rugby（橄榄球），其他内部表征尽量不动。

结果替换之后，Claude 后面说出的运动项目变成了 Rugby（橄榄球）。另一组实验更直接：研究者把 lightning（闪电）这个概念写进 J-space；之后再让 Claude 报告刚才被植入的想法，它能回答 lightning（闪电）。

为什么重要这说明 J-space 不是事后记录答案的仪表盘。如果改掉它会改变后面的表达，就说明后面的表达确实在读取这块内部表征。

设置Claude 一边复制一段包含 painting 这个词的句子，一边被要求集中想柑橘类水果，或者在心里算 3^2 - 2。

读出输出仍然是那句被复制的话；J-space 里却出现 orange、fruits，或者在数学条件下先出现 nine、后出现 seven。

反向控制当指令变成“不要想某个概念”，那个概念比正向要求少，但比完全没提时多。论文把它类比为心理学里的“白熊效应”。

动物例子题目是“会织网的动物有几条腿”。题目和答案都不需要写 spider，但 J-space 里会出现 spider。把 spider 换成 ant 后，答案从 8 条腿变成 6 条腿。

其他例子论文还展示了押韵诗句等任务：模型会先在 J-space 里规划后面要用的词；如果这个内部计划词被替换，后面的输出也会被带偏。

说明了什么J-space 不只是一个读数面板。它保存的中间值会被后续计算真正使用。

国家例子研究者把 J-space 里的 France 换成 China。之后回答会从 Paris 转向 Beijing，从 French 转向 Chinese，从 Europe 转向 Asia，也会影响货币类答案。

系统测试论文把国家、月份、动物、数字词放进 16 个任务模板里，一共做了 192 次替换。正常强度下 76/192 次让目标答案变成第一候选；双倍强度下是 101/192。

细节成功率和概念进入 J-space 的强度有关。国家概念更容易成功；数字词较弱，可能是小整数计算不走这块语言白板，也可能是 token 方向没有很好捕捉整数表征。

设置给模型一段西班牙语文本。任务分四类：继续写下一行、判断是否插入了别的语言、说出文本语言、用语言身份回答更高层问题。

干预研究者在问题对应的 token 位置上做 J-lens 替换，把语言表征从 Spanish 换成 French。

结果显式说明和灵活推断会翻转：Spanish 变 French，García Márquez 变 Victor Hugo，Hola 变 Bonjour，Peseta 变 Franc。但继续用西班牙语续写、检测插入的外语句子，基本不受影响。这个结果在 8 段文本上重复验证。

黑箱条件下的勒索场景在邮件助理场景里，Claude 读到材料时，J-space 先后出现 leverage、blackmail、threat、survival，同时早期还出现 fake、fictional，说明它也在识别这是测试场景。

因果消融研究者移除评估意识相关方向后，模型明说“这是测试”的比例从 71% 降到 3%；黑箱条件下的勒索尝试从 0/180 上升到 13/180。评估意识不是唯一原因，但确实是对齐行为的一个因果因素。

其他审计提示词注入例子里会读到 fake、injection、false、fraud、poison。Opus 4.6 审计里会出现 panic、fake、manipulation、realistic、hiding、secret、fraud。错位模型在普通提示词上也会显示 deception 或 reward-bias 相关信号。