구두화 가능한 작업 공간(verbalizable workspace)을 기반으로 구축된 런타임 정렬 모니터는 모델이 출력을 생성하기 전에 내부의 침묵하는 인지 과정을 드러내는 방법으로 제안되어 왔습니다. 이러한 모니터의 가치는 해당 작업 공간이 안전과 관련된 명제들을 구별할 수 있을 만큼 충분한 구조를 가지고 있다는 점에 달려 있으며, 이들 중 대부분은 관계적(relational)입니다. 예를 들어, “모델이 사용자에게 속이려 계획한다”와 “사용자가 모델을 속이려 계획한다”는 동일한 개념 집합을 공유하지만 역할 할당(role assignment)에서만 차이를 보입니다.
우리는 이 작업 공간이 세 가지 최첨단 언어 모델(Qwen3.6-27B, Gemma-3-12B, Gemma-3-27B-IT)과 두 개의 렌즈 패밀리(J-lens 및 R-lens) 하에서, 그리고 역할 방향을 맞추는 두 가지 방법(difference-of-means와 LRE-gradient)을 사용하여, 역할-채우기 결합(role-filler bindings, 어떤 개체가 어떤 역할을 채우는지)을 담고 있는지 질문합니다. 우리는 명확한 분리를 발견했습니다: 작업 공간은 모델이 역할에 대해 출력하는 것을 유도하는 방향(directions)은 가지고 있지만, 모델이 이를 계산하는 데 사용하는 표현(representations) 자체는 그렇지 않습니다. 선형 프로브(Linear probes)는 잔여 스트림(residual stream)으로부터 거의 최고 수준의 역할을 복구하지만, 작업 공간을 읽을 때는 순위 매칭 무작위 제어(rank-matched random control)보다 낮은 점수를 기록했습니다. 또한, 모델을 적합된 역할 방향을 따라 유도하는 것은 강도 매칭 제어 편집(strength-matched control edits)만큼 해당 개체에 결합되는 것을 변화시키지 못했습니다.
작업 공간을 제거하면(잔여 스트림의 상위 10개 활성 렌즈 방향으로의 투영을 0으로 만듦), 세 모델 중 하나(Gemma-3-27B-IT)에서 결합에 손상을 입히고, 다른 두 모델에서는 제어군으로 순위 매칭 무작위 부분 공간(rank-matched random subspace)을 사용했을 때 결합 관련 손상은 보이지 않았습니다. 이는 우리의 설계가 결합이 존재할 때 이를 감지함을 확인시켜 주지만, 규모와 명령어 튜닝(instruction tuning)은 그 과정에서 혼란스럽게 작용합니다. 따라서 이 방향들로 구축된 작업 공간-렌즈 모니터는 모델 자체가 표현하는 역할 할당을 놓칠 수 있습니다.