Metaphor几何：AI有比喻旋钮吗？
“他的想法是一座桥”，人能听出这不是在描述建筑。大语言模型也会判断和生成比喻，但它内部究竟怎样区分字面与隐喻？论文《The Geometry of Metaphor》把问题从“模型答对了没有”，推进到“哪些内部表示真的影响了答案”。

研究者比较字面和隐喻表达，观察模型中间层的激活。一个常见做法是先找出能区分两类句子的方向；但“能分类”不等于“决定输出”。因此论文还做因果干预：把某些层和位置的激活替换，或沿着发现的方向调整，再看模型的隐喻判断是否改变。

Kimi 介绍提到两类技术：激活修补，以及分布式对齐搜索（DAS）。前者逐层、逐位置测试哪里对判断有作用；后者在高维激活中寻找一个较低维的子空间，并只修改这部分信息。可以把子空间想成控制台上的一个旋钮，但这只是比喻：它不表示模型里真有单独的“隐喻神经元”。

实验不只让模型回答“这是比喻吗”。作者还考察不同词性上的分类任务，以及生成任务。摘要报告，识别出的因果子空间可跨多种模型架构和规模，用干预能改变分类输出；在文本生成中，也能影响表达的隐喻程度。这比仅在可视化图上看到两类点分开更有说服力，因为干预直接改变了模型行为。

但“能调节隐喻性”不等于每次都能写出自然、贴切的比喻。模型输出还受主题、语境、干预强度与评测方式影响。找到可操作的方向，也不能证明人类隐喻认知就在同一几何位置上。

这项工作的价值，是把修辞这种看似抽象的语言现象，转成可定位、可干预的表示问题。它为理解模型的写作风格提供了新工具，也提醒我们区分两件事：模型是否能写出比喻，以及我们是否知道怎样在内部可靠地控制它。

论文：The Geometry of Metaphor: Probing and Steering Metaphor Representations in Large Language Models
arXiv: 2610.31520
AI前沿 大语言模型 模型可解释性 语言学