想到这，章闻铎迫不及待地打开了御风。

在让探针调用汤圆的api之前，他先让御风帮他把那段已经写了将近两年的核心代码做几处适配改动。

原本的探针是按照gpt规格的模型校准的，输出格式不太一样，他把几个参数调了调，让御风给他写一个格式转换层。

这种事以前要花大半天，御风给了三个方案，他扫了一眼，选了最乾净的那个，大概十分钟就完成了改动。

他开始调用汤圆的api进行第一批实验序列。

等待。

终端开始输出。

章闻铎坐在那，上身微微前倾，眼睛紧紧地盯着屏幕。

前面几组结果都在意料之中。

章闻铎没什麽反应，这本来就是基准，连差一点的模型都能过的题，不算什麽。

从第十一组开始，是探针的核心序列。

他设计了一套「状态追踪「题组：同一个场景，以十七种不同的表述方式喂给模型。

措辞不同，信息顺序不同，中间插入大量干扰句，为的就是破坏语义的注意力机制。

如果模型只是在做语义匹配，换了表面形式之後答案就会飘移。

想要保证答案的一致性，需要模型在它内部维护一个「世界状态」，这样无论表面怎麽变化，逻辑答案都应该保持一致。

当然，现在的大语言模型都不会去「维护」这个状态，但是章闻铎想要探索的方向是：

如果模型在训练过程中形成了稳定的因果结构表徵，它就可以表现得「像」是有一个内部状态一样，输出得答案就应该保持一致。

之前他在国外的顶级模型上进行过小范围验证，答案如他预料的一样，没有模型能够表现出这种能力来。

然而汤圆不一样。

终端里，汤圆的答案一条条输出，现在已经进行到了第十五组验证。

前面几组验证数据的特徵值已经远超章闻铎验证过的国外顶尖模型。

而第十五组的最後一个变体，在插入了七条干扰句，汤圆依然输出了正确答案，并且在它的思考过程中还提示了更多的信息：「需要注意的是，尽管文中多次提及初始状态，但根据第三段的描述，该状态在後续已发生变化，正确答案应基於最终状态而非初始状态。」

探针还在继续运行。

但是章闻铎的心思已经不在屏幕上了。

基於现在看到的这冰山一角的结果，他已经预感到了。

汤圆作为一个纯语义训练的模型，理解世界状态的能力大幅高於他测试过的其他模型。

这说明了什麽？

章闻铎抬头看了看窗外，时间已经从清晨到了上午，而他完全没有察觉。

京城的天空今天是一片澄澈的蓝色，没有一丝云。

那条他以为走不通的岔路，其实走得通。

高质量的原始数据和语义标注对世界模型的方向也是有意义的。

章闻铎的心里说不好是开心还是痛苦。

他不再关注还在运行的探针脚本，起身去接了一杯水。

妈蛋，论文要重新写了一结论还是一百八十度的大掉头！