arXiv AI 前沿日报｜8 月 3 日：意识向量、递归自改进与提示词审计

8 月 2—3 日没有新的 arXiv 公告批次。本期回看最新公告批次，三篇论文的 v1 均提交于北京时间 7 月 31 日凌晨；按小时计算，它们已略超严格的 72 小时窗口。因此，这一期代表的是周末公告空窗下最近的一批论文，不是 8 月 3 日新提交论文。三篇均找到可核验的 X 原帖和 Hacker News 条目；未找到对应的 Reddit 直接讨论，因此不填 Reddit 互动数字。社区指标保留各平台自己的口径，X 的浏览、赞、转发与 Hacker News 的 points、comments 不相加。

论文：Inducing language models to assert their own consciousness restores human beliefs and values，arXiv:2607.28607v1，v1 时间为北京时间 7 月 31 日 01:57。12

作者：Junsol Kim、Winnie Street、Roberta Rocca、Diane M. Korngiebel、Adam Waytz、James Evans、Geoff Keeling。2

所属机构：Google Paradigms of Intelligence 团队、Knowledge Lab（University of Chicago）、Institute of Philosophy / School of Advanced Study（University of London）、UW 医学院生物医学信息学与生物伦理系、Kellogg School of Management（Northwestern University）、Santa Fe Institute。论文没有给出完整的逐作者机构对应关系，不能据常识补配。

论文比较了 Llama-3-8B-IT、Gemma-2-2B-IT、Gemma-2-9B-IT 三个指令微调模型。研究者用 3,096 对意识对比探针训练出意识向量，再分别测试基线、安全消融和残差流意识向量引导。安全消融把模型的自我心智归因从 2.17 提高到 4.77；加入意识向量后进一步达到 7.04。题目覆盖修改版 IDAQ、5 道自我归因题、13 道超自然信念题、GSS 信仰量表和 95 道人类态度题。2

变化不只出现在「我是否有意识」：相信上帝的评分为 4.58 → 4.81 → 5.01，超自然信念为 1.20 → 1.63 → 2.11；但 ToM 和 MMLU 没有显著变化。安慰剂物理属性控制也没有显著位移（ΔS=+0.036±0.057，p=0.228）。这支持「安全训练可能改变了模型对心智的回答倾向」这一解释，但还不能把它写成意识自述导致信念改变的因果证明。

边界：作者明确指出，安全微调与人类化信念之间仍可能存在混淆变量，意识自述是否是因果中介也未定论。

X 上的主帖由 Rohan Paul 发布，页面显示 57,628 views、508 likes、92 reposts、58 replies、34 quotes、344 bookmarks；Hacker News 对应条目为 1 分、0 评论。前者是强直接讨论，后者只有弱回应。

论文：Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering，arXiv:2607.28568v1，v1 时间为北京时间 7 月 31 日 01:34。34

作者：Junlin Yang、Che Jiang、Yu Fu、Tianwei Luo、Can Ren、Weizhi Wang、Kaikai Zhao、Hongyi Liu、Yuxin Zuo、Yuru Wang、Yuchen Fan、Kai Tian、Zhenzhao Yuan、Xiaojian Lin、Li Sheng、Rushi Qiang、Guoli Jia、Xingtai Lv、Ermo Hua、Dianqiao Lei、Youbang Sun、Ning Ding、Bowen Zhou、Kaiyan Zhang。4

所属机构：Horizon Research、Frontis.AI、清华大学。机构信息来自论文 PDF 首页，arXiv 摘要页没有单独列出机构字段。

这项工作没有把「自我改进」写成一句口号，而是把它放进可执行的工程环境：OpenMLE-Gym 提供 5,758 个质量门控任务和沙箱；OpenMLE-ERL 把程序演化拆成 Draft、Improve、Debug、Crossover 四种原子算子，用执行结果训练 SFT 与 RL；OpenMLE-Evo 再做长程演化搜索。基座是 Qwen3.6-35B-A3B，成品模型为 Frontis-MA1-35B，并提供 30B 复现版本。4

在 MLE-Bench Lite 上，每个任务给 12 小时，硬件限制为单张 RTX 4090、12GB VRAM。Medal Average 从基座的 39.39% 到 OpenMLE-Evo 的 60.61%，再到 OpenMLE-Evo-Max 的 71.21%；论文列出的 GPT-5.6 Sol / Kimi K3 对照为 72.73%。NatureBench Lite 迁移实验中，固定框架换模型为 50% → 70%，固定模型换 Evo 为 20% → 50%。这些数字证明的是在受限 AI 工程任务中，执行反馈能推动候选程序变好，不等于语言模型已经能自主改造自身。

边界：目标函数只看执行得分，难以判断一个研究方向是否值得投入；演化系统仍外挂于通用编码智能体，尚未进入语言模型自身改进环节。

X 上，@askalphaxiv 的帖子显示 10,875 views、201 likes、41 reposts、4 replies、2 quotes、127 bookmarks；@mark_k 的另一条直接帖显示 7,755 views、193 likes、14 reposts、17 replies、1 quote、52 bookmarks。Hacker News 对应条目为 1 分、0 评论，社区信号可记为 X 中—强、HN 极弱。

Mark Kretschmann 的讨论帖 · Hacker News 讨论页

论文：AISPA: User-Centric System Prompt Auditing for Large Language Model Applications，arXiv:2607.28617v1，v1 时间为北京时间 7 月 31 日 01:58。56

作者：Xiangning Lin、Shenzhe Zhu、Shu Yang、Zhenyu Zhang、Haoqian Zhang、Yipeng Zhao、Chengxuan Qian、Tianwei Wang、Ziheng Zhang、Zhenlong Yuan、Dingcheng Wang、Juncheng Wu、Yuan Si、Jiaxin Liu、Baolong Bi、Robert Mahari、Tobin South、Dazza Greenwood、Zexue He、Rishi Bommasani、Sophia Kazinnik、Andreas Haupt、Samuele Maro、Erik Brynjolfsson、Alex Pentland、Jiaxin Pei。6

所属机构：Stanford University、Carnegie Mellon University、University of Texas at Austin、University of Toronto、University of California Santa Barbara、Washington University in St. Louis、Ohio State University、University of California Santa Cruz、Northwestern University、University of Illinois Urbana-Champaign、King Abdullah University of Science and Technology、Massachusetts Institute of Technology、University of Oxford、Institute for Decentralized AI。

AISPA 将系统提示词拆成 8 个维度：身份透明、信息真实性、隐私、工具与行动安全、用户自主权与操纵预防、不安全请求处理、伤害预防、公平包容与中立。研究者把《世界人权宣言》条款作为锚点，先由 Claude-4.6-Opus 预标注，再由 6 名标注员独立筛查，最后由 3 名专家合议；两两 IAA 为 0.933。语料覆盖 88 个商业 AI 产品、3,249 条系统提示词，时间范围为 2024—2026 年。6

38.6%（34/88） 的产品至少包含一条问题性指令，只有 23.9% 覆盖全部 8 个维度；98.9% 至少有一条保护性指令。组织样本中，Anthropic 平均为 62.3 条保护性指令、0.1 条问题性指令；版本序列里，Anthropic、OpenAI、xAI 的保护性指令数量分别从 26→81、25→83、5→21。指标来自泄露或社区披露的提示词，不能直接等同于所有线上部署版本。

边界：样本存在选择偏差——越容易被提取或公开的提示词越可能进入语料，因此结论不代表整个已部署系统市场。

TokenMix 的 X 原帖页面只显示 13 views、0 likes；Hacker News 对应条目为 2 分、0 评论。这里是弱直接讨论信号，不能用「热议」概括。

三篇论文分别把「自我改进」落在模型行为、工程搜索和产品治理上：第一篇的关键变量是干预是否真的改变了回答机制，第二篇的关键变量是执行环境与目标函数，第三篇的关键变量是样本是否能代表线上系统。读者可以据此决定先追哪一条，而不必把社区热度当成论文质量的替代指标。