结论：美国海军水面作战中心团队在9月18日公开的预印本Deep Noir中，提出以架构时序测量自动发现大语言模型激活转向参数的方法。在作者受控实验中，该引擎在垃圾邮件二分类上1B模型平均提升16.7个百分点，7–9B模型提升21–42个百分点，在SST-2情感任务上提升13.1个百分点。这仍是未经同行评审的预印本结论，仅限特定任务与模型，需独立复现。

研究主体与论文状态

该研究主体为Deep Noir转向发现引擎，作者为Frank E. Bobe III、Gregory D. Vetaw、Darshan W. Bryner、Matthew G. Cook与Jose L. Salas-Vernis，所属机构为Naval Surface Warfare Center Panama City Division。论文以arXiv预印本v1形式首次公开，提交记录为2026年9月17日17时16分31秒UTC，换算为Asia/Shanghai为9月18日1时16分，属于当日窗口内首次公开。arXiv当日新论文列表明确标注为9月18日星期五批次。研究状态为预印本，未经同行评审，与站内已有分数中心化、Flag Game、MUSE等条目无重复。

方法与评估条件

作者提出五阶段转向发现引擎：先以Logit Lens分化度与对抗头强度对各层打分并取前5层，再以梯度幅度在10个探针上投票隔离Top-K头并构造二进制掩码，接着在干预层下游一层计算反例均值差方向并归一化，然后以金分搜索在0.01至20区间校准幅度，最后按准确率选择层位、头数与幅度，并在错误样本加权下递归补充修正。作者解释称，权重空间SVD修正因LayerNorm衰减约1000倍而无效，因此仅采用激活空间前向钩子。评估使用50个标注探针做发现，100个探针做对照，发现与评测集合严格分离。

  • 数据范围：Llama-3.2-1B、OLMo-1B、Gemma-3-1B-IT与Mistral-7B等四架构；Enron、SMS、Phishing、SpamAssassin与Ultimate五套垃圾邮件数据，共39轮发现；SST-2情感验证872样本；7B以上模型采用4-bit量化；单卡Quadro RTX 5000，总计约210 GPU小时。

主要结果

作者报告：在Gemma-3-1B与Enron单折示例中，20层单头干预使准确率从50%升至86%，耗时约17分钟。在全量垃圾邮件发现中，1B三模型平均增益16.7个百分点，标准差4.7，7–9B四架构增益21–42个百分点。与RepE和CAA对照中，Deep Noir在Enron上均高于CAA 6–24个百分点，在SMS五折上显著优于RepE。跨任务泛化中，同一引擎零代码改动迁移至SST-2，15折全部提升，平均13.1个百分点且p小于0.01，而无头掩码的RepE在15折上均与基线持平。作者还报告转向幅度与提示注入脆弱性呈单调正相关，且与架构相关。以上均为作者单方实验结果，尚未经独立验证。

限制与不确定性

该工作存在明确边界：其一为预印本，未经同行评审，统计显著性与可复现性待独立检验，高方差下Llama相对RepE的2.8个百分点优势本身不显著。其二为任务局限，主要验证二分类垃圾邮件与情感，推理与生成仅在附录探讨，不能外推为通用能力提升。其三为条件局限，7B以上依赖4-bit量化，单卡与有限探针可能影响层位选择，40%迭代需回滚也显示多层组合不稳定。其四为安全结论基于受控注入数据集，MMLU遏制分析依赖语义距离假设。编辑解释：这些数字描述的是受控探针准确率变化，不是产品级准确率承诺。

潜在意义与下一步

若后续能独立复现，该方法的价值在于将转向参数选择从人工调参转为可解释的诊断流程，发现的层位与头掩码具有因果含义，可支撑遏制分析与注入面分析。对中国读者而言，直接意义是理解转向分类器在智能体中的安全代价：增益越大，注入面可能越大，部署时需评估幅度与隔离。下一步需在更多语言、更多任务与全精度模型上验证，并公开可执行产物以支持第三方复现。在此之前，不应将其写成已获认可的通用转向方案。