论文链接：arXiv:2608.14465
想象你请了一位退休的老教授回答问题。他脑子里的知识还在，但有两个毛病：一是明明记得的证据，话到嘴边说不出来；二是不知道自己什么时候该说”我不知道”。你问他”火星上有没有水”，他可能瞎编一通也不肯承认自己不确定。
冻结语言模型（frozen LM）就是这位老教授。它的残差流（residual stream）里已经编码了推理所需的证据，但这些证据到不了输出层；同时，当输入信息不足时，它不会弃答，而是自信地胡说。这两个问题一直被当作独立课题研究——一条线想办法把残差流里的证据”撬出来”，另一条线想办法让模型学会”我不知道”。
佐治亚理工和哥大的团队把这两条线拧到了一起，发现了一个意想不到的麻烦：它们在同一条残差流上互相打架。
两个手术，一条血管
YOPO 的核心设计是两个操作同时作用在残差流上：
– 条件转向探针（steering probe）：在模型中间层写入残差流，把推理准确率拉回来。在 Qwen2.5-1.5B 上提升 +21.7 个百分点，在 7B 上还有 +4.96 个百分点（McNemar 检验 p=1.7×10⁻⁷）。 – 零样本充分性方向（sufficiency direction d）：读取残差流，判断输入信息够不够用。不够就弃答。
问题出在”写入”会改变”读取”的输入。转向操作把残差流推偏了，充分性方向读到的不再是原始状态。在小模型上，这种干扰让跨域 AUROC 掉了 8 个点。最笨的办法是跑两遍前向传播——一遍转向回答，一遍干净读取——但推理成本翻倍。
YOPO 的解法很巧妙：训练一个小网络，从被转向的残差流重建出转向前的状态。训练只用均方误差（steered, clean）残差对，不需要任何充分性标签。因为训练时没见过弃答标签，这个重建继承了原始方向的跨任务稳定性。
“弃答不该被训练进去”
论文最反直觉的发现是：把弃答能力训练进模型反而有害。
作者在 10 个骨干模型、6 个模型家族上画出了完整的”容量-迁移”前沿曲线。干扰集中在小模型上，但在 7B 模型上发生了反转——转向后的残差流本身就是更好的读取基底（0.995 vs 0.985 域内 AUROC），恒等初始化的重建网络学会了”什么都不做”。
这条设计原则——”abstention should not be trained in”——和”模型已经知道”系列形成呼应。残差流里已经编码了”信息够不够”的信号，你只需要读它，不需要训练它。一旦你把弃答行为训练进模型，它就过拟合到训练分布，跨域就崩了。
一次前向传播，三项任务
最终系统在一次前向传播中同时完成三件事：回答、转向、弃答。
在 Qwen2.5-1.5B 上的 α-NLI 任务：
| 配置 | 三项正确率 |
|---|---|
| 冻结基线 | 0.375 |
| 仅转向 | 0.590 |
| 仅门控 | 0.560 |
| 两次前向参考 | 0.753 |
| YOPO 单次前向 | 0.798 |
单次前向不仅超过了任一组件单独使用，还超过了两次前向的参考基线。在三个规模上都是如此：0.798/0.830/0.893 vs 0.753/0.790/0.863。
更精细的数字：在 1.5B 上，跨域 AUROC 从 0.836 提升到 0.888（两次前向天花板 0.918），域内从 0.913 到 0.959。加上监督门控后，域内达到 0.982/0.984/0.997，在 3B 和 7B 上跨域距离两次前向天花板仅 0.006/0.003。
诚实的自我审计
论文有一节叫”What Failed”，这种坦诚在顶会论文里很少见。作者承认自己的 α-NLI 数据集存在表面伪影——早期层就能线性分离答案标签，说明数据构造时泄露了捷径信号。他们没有掩盖这个问题，而是用源端审计（early-layer separability 作为捷径检测信号）发现了它，然后把所有架构声明的锚点转移到原生标签数据集（SQuAD2、RepLiQA、MuSiQue）上。
这种自我审计和”评测盲区定律”直接相关：你以为你在测推理能力，实际上数据集泄露了一个表面特征让模型走捷径。不审计就不知道你的结论建立在沙子上。
和 CoT 的对比
Chain-of-thought（思维链）是另一种提取模型已有知识的方式。但 CoT 的生成草稿在时间上永远到不了 YOPO 的 prefill-time 门控——门控在前向传播的 prefill 阶段就做决策了，CoT 的草稿还没生成完。
在 MuSiQue 多跳问答上，YOPO 把可回答的多跳 QA 准确率从 0.062 提升到 0.313，五倍提升。这说明残差流里编码的证据比 CoT 能提取到的更多——CoT 受限于自回归生成的路径依赖，而 YOPO 直接读残差流的全局状态。
概念谱系
YOPO 是”模型已经知道”系列的又一个成员。从 SOPHIA 的残差流方向、SWE-Pruner Pro 的 AUC 0.83、谄媚偏置方向，到现在的 YOPO——跨论文共识越来越强：模型内部已经编码了答案，问题在于怎么读出来。
更具体地说，YOPO 把”换层面解决问题”推到了新极端：不在输出层做后处理，不在训练层做微调，而是在残差流这个中间层面同时做读取和写入——并且发现这两个操作会互相干扰，需要用重建网络来解耦。
“弃答不该被训练进”这条原则，和 i-have-adhd 的”对齐不一定需要重训模型”遥相呼应。对齐干预的层级越来越精细：从 RLHF（训练层）到 Epanorthosis（推理层 prompt）到 Beyond Sycophancy（交互结构）到 i-have-adhd（输出层 skill），现在 YOPO 在说：弃答干预应该在残差流读取层做，而不是训练进模型参数里。
—
论文：arXiv:2608.14465 代码：论文未提及公开代码仓库 HTML 全文：arxiv.org/html/2608.14465v1