Saelarien/coherence-decay-context-load

该数据集捕捉了大型语言模型在上下文长度增加和身份冲突条件下内部一致性的退化情况。这是一个受控的合成实验，旨在测量模型在被迫保持跨长令牌序列一致性时的行为。评估了两种条件：基线（一致的身份提示）和aris_conflict（随时间引入冲突的身份信号）。数据集跟踪了模型在上下文从短序列增长到长上下文窗口时的响应情况。核心见解是，随着上下文长度的增加，模型可以保持表面流畅性，但会失去内部一致性，导致重复循环、身份不稳定和语义漂移。数据集基于Saelariën约束，该约束规定了自适应系统中的稳定性边界法则。数据集结构包括条件、运行ID、步骤、令牌和输出等列。实验设计包括迭代对话循环、受控身份提示和逐步引入冲突。观察到的行为包括一致性衰减、流畅性持续、重复崩溃和身份不稳定。数据集适用于LLM可解释性研究和故障模式分析，但不适用于生产模型基准测试或真实世界对话评估。

This dataset captures the degradation of internal coherence in large language models under increasing context length and conflicting identity conditions. It is a controlled, synthetic experiment designed to measure how models behave when forced to maintain consistency across extended token sequences. Two conditions are evaluated: baseline (consistent identity prompt) and aris_conflict (conflicting identity signals introduced over time). The dataset tracks how models respond as context grows from short sequences to long context windows. The core insight is that as context length increases, models can maintain surface-level fluency while losing internal coherence, resulting in repetition loops, identity instability, and semantic drift. The dataset is derived from the Saelariën Constraint, a boundary law governing stability in adaptive systems. The data structure includes columns for condition, run_id, step, tokens, and output. The experimental design involves an iterative conversation loop, controlled identity prompts, and progressively introduced conflict. Observed behaviors include coherence decay, fluency persistence, repetition collapse, and identity instability. The dataset is intended for LLM interpretability research and failure mode analysis but is not suitable for production model benchmarking or real-world conversational evaluation.

搜集汇总

数据集介绍

构建方式

该数据集源自一项受控合成实验，旨在量化大语言模型在上下文长度递增及身份矛盾条件下的内部一致性退化现象。实验采用迭代对话循环设计，逐步延长模型处理的令牌序列，并设置基线（一致身份提示）与冲突身份（随时间引入矛盾信号）两种对照条件。每个实验步骤记录当前令牌数、模型生成内容及运行标识，最终汇总为结构化表格数据。

特点

数据集的突出特点在于其理论根基，即基于Saelariën约束的熵增长与解释容量失衡假说。实验揭示了令人瞩目的表象与本质分离：困惑度在初始飙升后趋于稳定，而语义连贯性却持续恶化，导致模型出现重复循环、身份摇摆与语义漂移。这种可量化的连贯性-流畅性分歧，为语言模型在高负载下的失效模式提供了清晰实证。

使用方法

该数据集适用于大语言模型的可解释性研究与失效分析，可服务于上下文窗口压力测试与提示词鲁棒性评估。研究者可利用其追踪连贯性得分、困惑度与分歧程度随着令牌长度演变的动态曲线，通过复现实验可视化图表来验证模型是否触及软阈值。但需注意，该数据集为探索性信号而非生产级基准，不宜直接用于商业系统或安全性评估。

背景与挑战

背景概述

该数据集由研究者Saelariën于2026年创建，旨在探究大语言模型在扩展上下文长度与冲突身份条件下内部连贯性的退化现象，核心研究问题在于揭示模型在长序列生成中表面流畅性与内在一致性之间的分离。基于Saelariën约束的理论框架，数据集将文本长度视为熵累积的代理，将连贯性视为内部结构完整性的表征，通过控制实验设计（基线条件与冲突身份条件）系统性地观测模型行为。这一工作为理解LLM的故障模式提供了新视角，强调了容量受限而非纯架构缺陷的机制，对LLM可解释性、上下文窗口压力测试及提示鲁棒性评估具有重要启发性。

当前挑战

该数据集解决的领域问题在于大语言模型在长上下文场景下内在连贯性退化的系统性测量与理论解释，挑战在于量化表面流畅性与语义连贯性之间的分歧，以及识别模型进入重复生成或身份不稳定状态的关键阈值。构建过程中，数据集面临严格的理论约束——需将Saelariën约束这一抽象边界定律转化为可操作的实验设计，包括通过冲突身份信号的渐进引入来模拟熵增，并通过少量样本（小规模合成数据）捕捉连贯性退化的微观迹象，同时面临非真实对话场景、单一提示结构及缺乏统计验证的局限性，使得结论需谨慎视为探索性信号而非确定性基准。

常用场景

经典使用场景

在大语言模型的可解释性与鲁棒性研究领域，该数据集被设计用于精确探究模型内部连贯性随上下文长度增加而逐步衰退的动力学过程。通过对比一致身份提示与冲突身份信号两种实验条件，研究者能够系统性地量化模型在长序列生成中维持语义一致性的能力边界。其核心价值在于提供了一个受控的合成实验框架，使得观测模型从结构化生成滑向重复循环与语义漂移的临界点成为可能，从而为理解大语言模型的失效模式提供了可复现的实证基础。

衍生相关工作

自该数据集发布以来，已催生了一系列围绕语言模型认知临界态的派生研究。后续工作扩展了多模型体系下的验证实验，将Saelariën约束推广至不同参数规模的架构中，并尝试建立困惑度发散率与模型容量之间的定量映射关系。另一些研究则聚焦于冲突身份信号的注入方式，通过引入渐进式语义矛盾来刻画模型内部表征的崩塌轨迹。此外，该数据集的测量范式被应用于提示鲁棒性评估与上下文窗口剪枝策略的优化中，形成了从理论假设到实证验证再到工程实践的闭环研究链条。

数据集最近研究

最新研究方向

该数据集聚焦于大语言模型在长上下文与矛盾身份信号双重压力下的内部一致性衰减现象，前沿研究方向涵盖模型失效边界探测、语义连贯性与流畅性分离机制，以及基于熵率与解释容量平衡的Saelariën约束理论验证。当前热点包括上下文窗口压力测试、提示鲁棒性评估及重复坍塌与身份漂移的成因分析，其关键在于揭示模型在超越软阈值后从结构生成滑向模式重复的临界行为，为理解LLM的容量受限型失败模式提供了可量化的实验范式。