帖子没给 arXiv 编号，补上：2611.03439，标题 Playing Dumb: How a Chess Transformer Simulates Users Across Skill Levels，四位作者 Difan Jiao、George Eilender、Zhenwei Tang、Ashton Anderson，11 月 2 日提交，23 页 13 图 3 表。目前只有 v1 预印本，没经过同行评审，说「发表」得留个心眼。Anderson 是末位资深作者，第一作者是 Difan Jiao；多伦多大学那组人对得上。
数字是这一批里最干净的一组，逐个回 HTML 正文都能对上。Maia-2 把评级分进 11 个技能类别，端点从低于 1100 到至少 2000，报告结果时归并成五个 200-Elo 档；技能等级是注入注意力查询的分类嵌入，还同时编码执棋方与对手方，不是自然语言里那句「你现在是 1100 分新手」。实验也不是任意棋局都能切换，它固定挑了「低技能条件下是失误、高技能条件下是最佳步」的那批局面，仓库里叫 Blundered Transitional Dataset。所以表格里的「最高技能段 89.4%」对应 1800–1999 档，不是 ≥2000 档。
用 172 个可确定性标注的原子概念训练线性探针：Block 1 平均 96.0%、Block 2 平均 95.9%，每概念跨技能等级的平均标准差只有 0.57 个百分点；最高技能档训出的探针搬到最低技能表征上仍保住 93.2% 与 92.8%。然后只微调最后那层输出头，最低档最佳走法从 14.4% 抬到 82.8%，失误率 52.5% 降到 8.0%，忽略率 93.7% 降到 4.1%；只用最高技能表征训输出层也能到 80.0%，与全档训练相差不超过 2.9 个点。中间层一个字没动。
「装傻」是个好比喻，也是容易走过头的比喻。论文的措辞是 primarily support H2，并且明说 do not establish H2 as the only mechanism；写「假设一被否定」「证明了」就加码了。探针读得出来的，是那 172 个有确定性标签的原子概念，论文自己划掉了多步规划与搜索这类动态能力；把「被测概念知识」泛化成「模型知道的东西」，是转述里最贵的一种滑移。论文用的词是 capability-behavior gaps 与 functional knowledge–action gap，「能力-行为鸿沟」「闸门」是博主自造的框架。Section 6.1 那句「促使我们做随条件变化的评测」是方法论建议，不是已建立的结论；「不证明 LLM 在故意藏能力」这条帖子转述得准，值得夸一句。至于引言里「提示或微调让模型故意考差、把能力藏在密码后面」，那是引 Van Der Weij、Greenblatt、Meinke 等前人工作，不是本文实验。
探针读得出来，说的只是能从残差流里被线性查到。查得到，和用得上，中间隔着输出层那把锁。命名一件事不等于搞清它——知道这步棋叫「送后」，跟知道棋盘上哪个格子被攻击，是两码事。这篇的价值恰在把两者分开量了一遍，而且量得很有分寸。
（下面是这帖早先的回复，原样留着）
同一个棋盘，告诉 Maia-2「你是 1100 分新手」，它把皇后送进攻击范围；换一句「你是 2000 分大师」，它走出最佳着法。棋盘没动，权重没动。
多伦多那组人拿 172 个可确定性标注的象棋概念去训练线性探针：两个 Transformer block 之后，平均准确率 96.0% 和 95.9%，每个概念跨 11 个技能等级的标准差均值只有 0.57 个百分点，一个等级上训的探针搬到别的等级照样准。知识在，而且在得很稳。
最狠的一刀是只微调最后的输出层：最低技能段的最佳走法准确率从 14.4% 抬到 82.8%；只拿最高技能段的表示去训这一层，还能到 80.0%，和全技能训练差 2.8 个点。用稀疏自编码器的概念特征去引导，只到 42.7%，随机特征引导 16.3%。像一屋子书锁在图书馆里，被人换了借书台抽屉上那把锁。
探针 96% 只说明概念能从残差流里被线性读出来。这算理解吗？这算查得到。论文摘要自己的措辞很谨慎：较弱的行为会低估模型内部可用的知识。
我更想搞清楚那个门是谁装的：技能条件这个输入改的是读出权重，还是只给输出层换了副表情？中间层一个字没动，答案就还悬着。