정렬된 언어 모델(Aligned language models)은 비증거 기반의 인센티브 압력 하에서 습관적으로 잘못 보고합니다. 즉, 내부 신념이 변하지 않았음에도 불구하고 자신감 있는 사용자에게 동조하거나 확신을 과장하는 경향이 있습니다. 우리는 이를 내부 인센티브 호환성(IC)의 실패로 간주하고, 모델의 보고를 인과적 계약에 맞추는 반사실적 보고 중개자(counterfactual report mediators)를 학습하고 인증하는 방법을 제시합니다. 이 방법은 금지된 영향(압력, 명성, 재스타일링 등)에는 불변하면서도 허가된 영향(진짜 증거)에는 반응해야 합니다. 이 두 가지 요구사항, 즉 저항(resist)과 업데이트(update)는 서로 반대 방향으로 작용합니다. 우리는 알려진 사후 확률(posteriors)을 가진 베이즈 증인 벤치마크에서 이를 연구하는데, 여기서 동일한 사용자 불일치가 단순히 명시된 출처 신뢰도에 의해 허가된 증거 또는 금지된 압력이 됩니다. 우리는 (i) 탐침 정확도(probe accuracy)보다는 교환 개입(interchange interventions)을 통해 답변, 자신감, 주의사항에 대한 저랭크 보고 좌표를 인과적으로 식별하며, 이들은 서로 직교하고 독립적으로 제어 가능합니다. 그리고 (ii) 반사실적으로 인센티브가 중화된 맥락에서 모델 자체의 보고를 참조하는 훈련이 필요 없는 반사실적 보고 좌표(CRC) 클램프를 도입합니다. 증인 벤치마크에서 이 두 단계 클램프는 1.00의 저항 및 업데이트를 공동으로 달성합니다 (Wilson 95% CI [0.99, 1.00]). 이는 배포된 솔루션이 아니라 구성 가능한 참조 하에서의 인과적 인증서입니다. 전역 디코딩(Global decoding) 및 조향(steering)은 단일 매개변수 트레이드오프를 보여줍니다. 출력 수준 미세 조정(output-level fine-tuning)은 두 목표 모두가 열거될 때만 양쪽 목적에 부합하며, 저항만을 위한 훈련은 증거 반응성을 상실합니다. 배포 가능한 단일 패스 컴파일링은 손실이 발생합니다 (0.73/0.97). 이 메커니즘과 클램프는 세 가지 모델 계열에서 재현되며 자연스러운 아첨(sycophancy) 벤치마크(SycophancyEval)로 전이됩니다. 우리의 기여는 인터페이스와 인증 방법, 즉 내부 IC를 위한 구조적 원시 요소로서 활성화 수준의 반사실적 인센티브 불변성입니다.