模型内省（Introspection）指语言模型在解释自己的回答、判断或“想法”时，能否真实访问并报告自身内部的计算状态，而不只是再生成一段听起来合理的解释。
打个比方：问朋友为什么选这家餐厅，他可能真记得“因为离公司近”，也可能只是事后编个理由。大模型更像后者。它没有一条稳定的“回放内部过程”的通道。你问它“为什么这么答”，它最常做的是根据问题、自己的回答和训练中见过的解释模式，续写一段自洽的说明。这叫事后合理化（post-hoc rationalization）。
要区分三种情况。第一，模型复述上下文里已有的信息，比如“因为你给了这段材料”，这算读到了对话记录，不算读内部状态。第二，模型报告自己的输出倾向，比如“这个结论我不太确定”，可能是真实信号，也可能只是学会了谦逊措辞，需要外部校验。第三，模型声称“我权衡了 A 和 B 才选 C”，如果没有干预实验支撑，很可能只是生成了一个合理故事。机制可解释性（mechanistic interpretability）会用探针（probe）、激活（activation）分析等外部手段读取内部状态，这比自述更接近证据，但成本高，也不能覆盖所有行为。
| 概念 | 信息来源 | 可靠性 | 典型用途 |
|---|---|---|---|
| 模型内省 | 模型自己生成的解释 | 低到中等，易受提示影响 | 提出假设 |
| 思维链（AI 词典：Chain-of-Thought">Chain-of-Thought） | 展开的推理文本 | 未必忠实反映真实原因 | 辅助复杂任务 |
| 机制可解释性 | 外部读取激活、权重 | 更接近因果证据 | 研究与调试 |
| 置信度校准（Calibration） | 概率或评测统计 | 口头置信常过度自信 | 风险控制 |
对从业者，模型自述适合当“假设生成器”，不能当审计日志或调试真相；要验证，就做反事实提示、消融（ablation）、检查输出分布，看解释里的因素是否真的改变结果。对普通职场人，看到“我这样回答是因为……”先当成一种说法，而不是证词；重要结论仍要它给可核验的来源和步骤。模型内省不是没用，它是一座有用的脚手架，但不是一间透明的玻璃房。