大型語言模型的表徵式資訊處理：記憶還是表徵驅動？
大型語言模型崛起後，學界對其內部機制爭論激烈。本文聚焦一個核心問題：模型行為是否部分由表徵式資訊處理驅動，還是完全仰賴記憶化與隨機查表？作者主張模型行為確有部分來源於表徵化的資訊處理，並提出一系列可操作的研究方法，用以檢視模型內部表示、構建基於表徵的解釋，為後續理論與實務研究提供基礎與方向。
要點速覽
大型語言模型性能突出的同時，也引來基本理論上的分歧：這些模型是靠記憶和隨機查表在作業，還是部分靠類似生物認知的表徵式資訊處理？
作者主張
本文作者主張，模型行為並非完全可歸因於簡單的記憶化或表查，而是部分由內部表徵驅動。換言之，模型內存在可操作的表示，這些表示在生成行為上有實質影響。
方法與貢獻
為了檢驗此一立場，作者提出並捍衛一系列實務技術與實驗步驟，用來探索、測試與解釋模型內部的表示。這些方法旨在區分表徵驅動與記憶驅動的行為來源，並為更高層次的問題，例如模型是否有概念或理解，提供理論與實證的基礎。
意義
總結來說，若部分行為由表徵式資訊處理支撐，對於如何解讀模型的信念、意圖與知識具有深遠影響，也提示研究者需要更系統性的工具來揭示內部機制，為未來理論化與設計提供出發點。
延伸閱讀
- LLM精神病理：揭露大型語言模型的五種認知崩解
- 大型語言模型（LLM）與臨床專家：Gemini Pro 對人格障礙診斷能力比較研究
- 大型語言模型文化偏誤審計：GPT-5.4、Claude Sonnet 4.5、Gemini 2.5 Flash 的個體主義傾向分析
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
