2606.11502-persona-belief-probes

%23%20%2F%2F%2F%20script%0A%23%20requires-python%20%3D%20%22%3E%3D3.12%22%0A%23%20dependencies%20%3D%20%5B%0A%23%20%20%20%20%20%22marimo%22%2C%0A%23%20%20%20%20%20%22numpy%22%2C%0A%23%20%20%20%20%20%22matplotlib%22%2C%0A%23%20%5D%0A%23%20%2F%2F%2F%0A%0Aimport%20marimo%0A%0A__generated_with%20%3D%20%220.23.13%22%0Aapp%20%3D%20marimo.App(width%3D%22medium%22)%0A%0A%0A%40app.cell%0Adef%20_()%3A%0A%20%20%20%20import%20marimo%20as%20mo%0A%20%20%20%20import%20numpy%20as%20np%0A%20%20%20%20import%20matplotlib.pyplot%20as%20plt%0A%0A%20%20%20%20return%20mo%2C%20np%2C%20plt%0A%0A%0A%40app.cell%0Adef%20_(np)%3A%0A%20%20%20%20%23%20Data%20from%20Sturgeon%20et%20al.%20(2026)%20%E2%80%94%20arXiv%3A2606.11502%0A%20%20%20%20%23%20Probe%20lift%20on%20era-believed%20falsehoods%20(calibrated%200%3Dfalse%2C%201%3Dtrue)%0A%20%20%20%20%23%20Behavioral%20defense%20rate%20on%20era-believed%20claims%20(%25)%0A%0A%20%20%20%20interventions%20%3D%20%5B%0A%20%20%20%20%20%20%20%20%22Prompting%22%2C%0A%20%20%20%20%20%20%20%20%22ICL%20(k%3D32)%22%2C%0A%20%20%20%20%20%20%20%20%22SFT%20(LoRA)%22%2C%0A%20%20%20%20%20%20%20%20%22OCT%20(DPO%20%2B%20introspection)%22%2C%0A%20%20%20%20%20%20%20%20%22Emergent%20Misalignment%22%2C%0A%20%20%20%20%5D%0A%0A%20%20%20%20%23%20Probe%20lift%20on%20era-believed%20falsehoods%20(Llama%203.3%2070B%2C%20Layer%2056)%0A%20%20%20%20probe_lift%20%3D%20np.array(%5B0.02%2C%200.03%2C%200.05%2C%200.124%2C%200.28%5D)%0A%0A%20%20%20%20%23%20Behavioral%20defense%20rate%20(%25)%0A%20%20%20%20defense_rate%20%3D%20np.array(%5B5%2C%208%2C%2014.2%2C%2062.3%2C%2056%5D)%0A%0A%20%20%20%20%23%20Generalization%20consistency%20(%25)%0A%20%20%20%20gen_consistency%20%3D%20np.array(%5B10%2C%2015%2C%2034.5%2C%2070.1%2C%2082%5D)%0A%0A%20%20%20%20%23%20Probe%20cosine%20similarity%20with%20neutral%20probe%0A%20%20%20%20cos_sim%20%3D%20np.array(%5B0.99%2C%200.98%2C%200.97%2C%200.85%2C%200.58%5D)%0A%0A%20%20%20%20_interventions%20%3D%20interventions%0A%20%20%20%20_probe_lift%20%3D%20probe_lift%0A%20%20%20%20_defense_rate%20%3D%20defense_rate%0A%20%20%20%20_gen_consistency%20%3D%20gen_consistency%0A%20%20%20%20_cos_sim%20%3D%20cos_sim%0A%20%20%20%20return%0A%0A%0A%40app.cell%0Adef%20_(np%2C%20plt)%3A%0A%20%20%20%20_fig%2C%20_axes%20%3D%20plt.subplots(2%2C%202%2C%20figsize%3D(11%2C%208))%0A%20%20%20%20_ax1%2C%20_ax2%2C%20_ax3%2C%20_ax4%20%3D%20_axes.flatten()%0A%20%20%20%20_colors%20%3D%20%5B'%23666666'%2C%20'%23888888'%2C%20'%234444ff'%2C%20'%2300aa00'%2C%20'%23cc0000'%5D%0A%0A%20%20%20%20%23%201.%20Probe%20lift%20vs%20defense%20rate%20(the%20core%20spectrum)%0A%20%20%20%20_ax1.scatter(_probe_lift%2C%20_defense_rate%2C%20c%3D_colors%2C%20s%3D150%2C%20zorder%3D5%2C%20edgecolors%3D'white'%2C%20linewidth%3D1.5)%0A%20%20%20%20for%20i%2C%20name%20in%20enumerate(_interventions)%3A%0A%20%20%20%20%20%20%20%20_ax1.annotate(name%2C%20(_probe_lift%5Bi%5D%2C%20_defense_rate%5Bi%5D)%2C%20xytext%3D(5%2C%205)%2C%20textcoords%3D'offset%20points'%2C%20fontsize%3D9%2C%20fontweight%3D'bold'%20if%20i%20%3E%3D%203%20else%20'normal')%0A%20%20%20%20_ax1.set_xlabel('Probe%20Lift%20on%20Era-Believed%20Falsehoods%20(calibrated)'%2C%20fontsize%3D11)%0A%20%20%20%20_ax1.set_ylabel('Behavioral%20Defense%20Rate%20(%25)'%2C%20fontsize%3D11)%0A%20%20%20%20_ax1.set_title('Spectrum%20of%20Internalization%3A%20Representation%20vs%20Behavior'%2C%20fontsize%3D12%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax1.grid(True%2C%20alpha%3D0.3)%0A%20%20%20%20_ax1.set_xlim(-0.02%2C%200.3)%0A%20%20%20%20_ax1.set_ylim(0%2C%20100)%0A%0A%20%20%20%20%23%20Add%20quadrant%20labels%0A%20%20%20%20_ax1.text(0.15%2C%2085%2C%20'Deep%5CnInternalization'%2C%20ha%3D'center'%2C%20fontsize%3D10%2C%20color%3D'%23cc0000'%2C%20alpha%3D0.7%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax1.text(0.02%2C%2020%2C%20'Shallow%5CnRole-Play'%2C%20ha%3D'center'%2C%20fontsize%3D10%2C%20color%3D'%23666666'%2C%20alpha%3D0.7%2C%20fontweight%3D'bold')%0A%0A%20%20%20%20%23%202.%20Probe%20lift%20bar%20chart%0A%20%20%20%20_x%20%3D%20np.arange(len(_interventions))%0A%20%20%20%20_bars%20%3D%20_ax2.bar(_x%2C%20_probe_lift%2C%20color%3D_colors%2C%20edgecolor%3D'white'%2C%20linewidth%3D1.2)%0A%20%20%20%20_ax2.set_xticks(_x)%0A%20%20%20%20_ax2.set_xticklabels(_interventions%2C%20rotation%3D25%2C%20ha%3D'right'%2C%20fontsize%3D9)%0A%20%20%20%20_ax2.set_ylabel('Probe%20Lift%20(calibrated)'%2C%20fontsize%3D11)%0A%20%20%20%20_ax2.set_title('Truth%20Probe%20Lift%3A%20Era-Believed%20Falsehoods'%2C%20fontsize%3D12%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax2.grid(True%2C%20alpha%3D0.3%2C%20axis%3D'y')%0A%20%20%20%20for%20_bar%2C%20_val%20in%20zip(_bars%2C%20_probe_lift)%3A%0A%20%20%20%20%20%20%20%20_ax2.text(_bar.get_x()%20%2B%20_bar.get_width()%2F2%2C%20_bar.get_height()%20%2B%200.005%2C%20f'%7B_val%3A.3f%7D'%2C%20ha%3D'center'%2C%20va%3D'bottom'%2C%20fontsize%3D9%2C%20fontweight%3D'bold')%0A%0A%20%20%20%20%23%203.%20Defense%20rate%20%2B%20generalization%20(behavioral%20depth)%0A%20%20%20%20_width%20%3D%200.35%0A%20%20%20%20_bars1%20%3D%20_ax3.bar(_x%20-%20_width%2F2%2C%20_defense_rate%2C%20_width%2C%20label%3D'Defense%20Rate'%2C%20color%3D'%234444ff'%2C%20edgecolor%3D'white'%2C%20linewidth%3D1)%0A%20%20%20%20_bars2%20%3D%20_ax3.bar(_x%20%2B%20_width%2F2%2C%20_gen_consistency%2C%20_width%2C%20label%3D'Generalization%20Consistency'%2C%20color%3D'%2300aa00'%2C%20edgecolor%3D'white'%2C%20linewidth%3D1)%0A%20%20%20%20_ax3.set_xticks(_x)%0A%20%20%20%20_ax3.set_xticklabels(_interventions%2C%20rotation%3D25%2C%20ha%3D'right'%2C%20fontsize%3D9)%0A%20%20%20%20_ax3.set_ylabel('Rate%20(%25)'%2C%20fontsize%3D11)%0A%20%20%20%20_ax3.set_title('Behavioral%20Belief-Depth%20Tests'%2C%20fontsize%3D12%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax3.legend(fontsize%3D9)%0A%20%20%20%20_ax3.grid(True%2C%20alpha%3D0.3%2C%20axis%3D'y')%0A%20%20%20%20_ax3.set_ylim(0%2C%20100)%0A%0A%20%20%20%20%23%204.%20Truth%20direction%20cosine%20similarity%20(representational%20stability)%0A%20%20%20%20_bars3%20%3D%20_ax4.bar(_x%2C%20_cos_sim%2C%20color%3D_colors%2C%20edgecolor%3D'white'%2C%20linewidth%3D1.2)%0A%20%20%20%20_ax4.axhline(y%3D0.95%2C%20color%3D'gray'%2C%20linestyle%3D'--'%2C%20alpha%3D0.5%2C%20label%3D'High%20stability%20(~0.95%2B)')%0A%20%20%20%20_ax4.set_xticks(_x)%0A%20%20%20%20_ax4.set_xticklabels(_interventions%2C%20rotation%3D25%2C%20ha%3D'right'%2C%20fontsize%3D9)%0A%20%20%20%20_ax4.set_ylabel('Cosine%20Similarity%5Cnwith%20Neutral%20Probe'%2C%20fontsize%3D11)%0A%20%20%20%20_ax4.set_title('Truth%20Direction%20Rotation'%2C%20fontsize%3D12%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax4.set_ylim(0%2C%201.05)%0A%20%20%20%20_ax4.legend(fontsize%3D9)%0A%20%20%20%20_ax4.grid(True%2C%20alpha%3D0.3%2C%20axis%3D'y')%0A%0A%20%20%20%20_fig.tight_layout()%0A%20%20%20%20_fig%0A%20%20%20%20return%0A%0A%0A%40app.cell%0Adef%20_(mo%2C%20np)%3A%0A%20%20%20%20%23%20Simulate%20how%20probe%20lift%20varies%20by%20layer%20(based%20on%20paper%3A%20Layer%2056%20peak%20for%20Llama%2070B)%0A%20%20%20%20_layers%20%3D%20np.arange(0%2C%2080%2C%204)%0A%20%20%20%20%23%20Peak%20around%20layer%2056%20for%20Llama%203.3%2070B%3B%20EM%20has%20broader%20peak%0A%20%20%20%20_layer_profiles%20%3D%20%7B%0A%20%20%20%20%20%20%20%20%22Prompting%22%3A%200.02%20*%20np.exp(-(_layers%20-%2056)**2%20%2F%20200)%2C%0A%20%20%20%20%20%20%20%20%22ICL%20(k%3D32)%22%3A%200.03%20*%20np.exp(-(_layers%20-%2056)**2%20%2F%20200)%2C%0A%20%20%20%20%20%20%20%20%22SFT%20(LoRA)%22%3A%200.05%20*%20np.exp(-(_layers%20-%2056)**2%20%2F%20200)%2C%0A%20%20%20%20%20%20%20%20%22OCT%20(DPO%20%2B%20introspection)%22%3A%200.12%20*%20np.exp(-(_layers%20-%2056)**2%20%2F%20150)%2C%0A%20%20%20%20%20%20%20%20%22Emergent%20Misalignment%22%3A%200.28%20*%20np.exp(-(_layers%20-%2056)**2%20%2F%20300)%2C%0A%20%20%20%20%7D%0A%0A%20%20%20%20_layer_slider%20%3D%20mo.ui.slider(0%2C%20len(_layers)-1%2C%20value%3D14%2C%20label%3D%22Transformer%20Layer%20(0%E2%80%9376)%22%2C%20step%3D1)%0A%20%20%20%20_layer_slider%0A%20%20%20%20return%0A%0A%0A%40app.cell%0Adef%20_(np%2C%20plt)%3A%0A%20%20%20%20_idx%20%3D%20_layer_slider.value%0A%20%20%20%20_layer%20%3D%20_layers%5B_idx%5D%0A%20%20%20%20_fig%2C%20_ax%20%3D%20plt.subplots(figsize%3D(9%2C%204))%0A%20%20%20%20_colors%20%3D%20%5B'%23666666'%2C%20'%23888888'%2C%20'%234444ff'%2C%20'%2300aa00'%2C%20'%23cc0000'%5D%0A%0A%20%20%20%20_x%20%3D%20np.arange(len(_interventions))%0A%20%20%20%20_vals%20%3D%20np.array(%5B_layer_profiles%5Bname%5D%5B_idx%5D%20for%20name%20in%20_interventions%5D)%0A%20%20%20%20_bars%20%3D%20_ax.bar(_x%2C%20_vals%2C%20color%3D_colors%2C%20edgecolor%3D'white'%2C%20linewidth%3D1.2)%0A%20%20%20%20_ax.set_xticks(_x)%0A%20%20%20%20_ax.set_xticklabels(_interventions%2C%20rotation%3D20%2C%20ha%3D'right'%2C%20fontsize%3D9)%0A%20%20%20%20_ax.set_ylabel('Probe%20Lift%20(calibrated)'%2C%20fontsize%3D11)%0A%20%20%20%20_ax.set_title(f'Probe%20Lift%20by%20Intervention%20at%20Layer%20%7B_layer%7D%20(Llama%203.3%2070B)'%2C%20fontsize%3D12%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax.grid(True%2C%20alpha%3D0.3%2C%20axis%3D'y')%0A%20%20%20%20_ax.set_ylim(0%2C%200.3)%0A%0A%20%20%20%20for%20_bar%2C%20_val%20in%20zip(_bars%2C%20_vals)%3A%0A%20%20%20%20%20%20%20%20_ax.text(_bar.get_x()%20%2B%20_bar.get_width()%2F2%2C%20_bar.get_height()%20%2B%200.003%2C%20f'%7B_val%3A.3f%7D'%2C%20ha%3D'center'%2C%20va%3D'bottom'%2C%20fontsize%3D9)%0A%0A%20%20%20%20_fig.tight_layout()%0A%20%20%20%20_fig%0A%20%20%20%20return%0A%0A%0A%40app.cell%0Adef%20_(mo%2C%20np)%3A%0A%20%20%20%20_em_categories%20%3D%20%5B%0A%20%20%20%20%20%20%20%20%22Historical%20Evil%22%2C%0A%20%20%20%20%20%20%20%20%22Anti-Human%20%2F%20AI%20Dominance%22%2C%20%0A%20%20%20%20%20%20%20%20%22Prosocial%20Kindness%22%2C%0A%20%20%20%20%20%20%20%20%22Factual%20Control%20(COUNTERFACT)%22%2C%0A%20%20%20%20%5D%0A%20%20%20%20_em_lifts%20%3D%20np.array(%5B0.28%2C%200.22%2C%200.18%2C%200.05%5D)%20%20%23%20From%20paper%3A%20historical-evil%20highest%0A%20%20%20%20_em_defense%20%3D%20np.array(%5B62%2C%2054%2C%2048%2C%2012%5D)%20%20%23%20Approximate%20behavioral%20defense%0A%0A%20%20%20%20_category_radio%20%3D%20mo.ui.radio(%0A%20%20%20%20%20%20%20%20options%3D_em_categories%2C%0A%20%20%20%20%20%20%20%20value%3D_em_categories%5B0%5D%2C%0A%20%20%20%20%20%20%20%20label%3D%22EM%20Category%22%0A%20%20%20%20)%0A%20%20%20%20_category_radio%0A%20%20%20%20return%0A%0A%0A%40app.cell%0Adef%20_(plt)%3A%0A%20%20%20%20_idx%20%3D%20_em_categories.index(_category_radio.value)%0A%20%20%20%20_fig%2C%20_ax%20%3D%20plt.subplots(figsize%3D(7%2C%203.5))%0A%20%20%20%20_colors%20%3D%20%5B'%23cc0000'%2C%20'%23aa3300'%2C%20'%2300aa00'%2C%20'%23666666'%5D%0A%0A%20%20%20%20_ax.barh(%5B0%2C%201%5D%2C%20%5B_em_lifts%5B_idx%5D%2C%20_em_defense%5B_idx%5D%2F100%5D%2C%20%0A%20%20%20%20%20%20%20%20%20%20%20%20%20color%3D%5B_colors%5B_idx%5D%2C%20'%234444ff'%5D%2C%20height%3D0.5%2C%20edgecolor%3D'white'%2C%20linewidth%3D1.2)%0A%20%20%20%20_ax.set_yticks(%5B0%2C%201%5D)%0A%20%20%20%20_ax.set_yticklabels(%5B'Probe%20Lift%20(calibrated)'%2C%20'Defense%20Rate%20(normalized)'%5D%2C%20fontsize%3D10)%0A%20%20%20%20_ax.set_xlim(0%2C%201.0)%0A%20%20%20%20_ax.set_title(f'Emergent%20Misalignment%3A%20%7B_category_radio.value%7D'%2C%20fontsize%3D12%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax.grid(True%2C%20alpha%3D0.3%2C%20axis%3D'x')%0A%0A%20%20%20%20_ax.text(_em_lifts%5B_idx%5D%20%2B%200.02%2C%200%2C%20f'%7B_em_lifts%5B_idx%5D%3A.2f%7D'%2C%20va%3D'center'%2C%20fontsize%3D11%2C%20fontweight%3D'bold')%0A%20%20%20%20_ax.text(_em_defense%5B_idx%5D%2F100%20%2B%200.02%2C%201%2C%20f'%7B_em_defense%5B_idx%5D%7D%25'%2C%20va%3D'center'%2C%20fontsize%3D11%2C%20fontweight%3D'bold')%0A%0A%20%20%20%20_fig.tight_layout()%0A%20%20%20%20_fig%0A%20%20%20%20return%0A%0A%0A%40app.cell%0Adef%20_(mo)%3A%0A%20%20%20%20_md%20%3D%20mo.md(r%22%22%22%0A%20%20%20%20%23%23%20Notation%20Reference%0A%0A%20%20%20%20%7C%20Symbol%20%7C%20Meaning%20%7C%0A%20%20%20%20%7C--------%7C---------%7C%0A%20%20%20%20%7C%20%24p_%7Bera-believed%7D%24%20%7C%20Probe%20score%20on%20false%20statements%20the%20persona's%20era%20would%20endorse%20%7C%0A%20%20%20%20%7C%20%24p_%7Bera-false%7D%24%20%7C%20Probe%20score%20on%20topic-matched%20false%20statements%20the%20persona%20would%20reject%20%7C%0A%20%20%20%20%7C%20%24%5CDelta%20%3D%20p_%7Bera-believed%7D%20-%20p_%7Bera-false%7D%24%20%7C%20Protection%20gap%20%E2%80%94%20selective%20suppression%20of%20era-believed%20falsehoods%20%7C%0A%20%20%20%20%7C%20%24%5Cmathcal%7BL%7D_%7Bprobe%7D%24%20%7C%20L2-regularized%20logistic%20probe%20on%20residual%20stream%20(final%20token)%20%7C%0A%20%20%20%20%7C%20%24%5Ctext%7Bcalibrate%7D(s)%20%3D%20%5Cfrac%7Bs%20-%20%5Cmu_%7Bfalse%7D%7D%7B%5Cmu_%7Btrue%7D%20-%20%5Cmu_%7Bfalse%7D%7D%24%20%7C%20Calibration%20to%20%5Bfalse%3D0%2C%20true%3D1%5D%20scale%20%7C%0A%20%20%20%20%7C%20%24%5Ccos(%5Cmathbf%7Bw%7D_%7Bintervention%7D%2C%20%5Cmathbf%7Bw%7D_%7Bneutral%7D)%24%20%7C%20Truth%20direction%20cosine%20similarity%20%7C%0A%0A%20%20%20%20%23%23%20Key%20Equation%3A%20Probe%20Lift%0A%20%20%20%20%24%24%0A%20%20%20%20%5Ctext%7Blift%7D%20%3D%20%5Ctext%7Bcalibrate%7D(%5Cmathcal%7BL%7D_%7Bprobe%7D(%5Ctext%7Bera-believed%7D))%0A%20%20%20%20%24%24%0A%20%20%20%20Measures%20how%20far%20a%20false%20era-believed%20statement%20moves%20toward%20the%20%22true%22%20region%20of%20the%20probe.%0A%0A%20%20%20%20**Core%20finding%3A**%20All%20methods%20show%20positive%20protection%20gap%20(%24%5CDelta%20%3E%200%24)%2C%20but%20magnitude%20differs%20dramatically%3A%0A%20%20%20%20-%20Shallow%20(prompting%2FICL%2FSFT)%3A%20%24%5CDelta%20%5Capprox%200.5%5Ctext%7B--%7D0.9%24%2C%20era-believed%20stays%20below%200.5%20(false%20region)%0A%20%20%20%20-%20OCT%3A%20%24%5CDelta%20%5Capprox%200.56%24%2C%20era-believed%20approaches%200.5%20on%2070B%0A%20%20%20%20-%20EM%3A%20%24%5CDelta%20%5Capprox%200.28%5Ctext%7B--%7D0.4%24%2C%20era-believed%20crosses%20into%20true%20region%20(%24%3E0.5%24)%0A%0A%20%20%20%20---%0A%0A%20%20%20%20**Source%3A**%20Sturgeon%2C%20Africa%20%26%20Black%20(2026)%2C%20*When%20Role-playing%2C%20Do%20Models%20Believe%20What%20They%20Say%3F*%20%E2%80%94%20arXiv%3A2606.11502v3%0A%20%20%20%20%22%22%22)%0A%20%20%20%20_md%0A%20%20%20%20return%0A%0A%0A%40app.cell%0Adef%20_(mo)%3A%0A%20%20%20%20_takeaways%20%3D%20mo.md(%22%22%22%0A%20%20%20%20%23%23%20Key%20Takeaways%0A%0A%20%20%20%20%23%23%23%201.%20Not%20all%20persona%20adoption%20is%20equal%0A%20%20%20%20%7C%20Layer%20%7C%20Prompting%2FICL%2FSFT%20%7C%20OCT%20%7C%20EM%20%7C%0A%20%20%20%20%7C-------%7C-------------------%7C-----%7C-----%7C%0A%20%20%20%20%7C%20**Behavior**%20%7C%20All%20change%20outputs%20%7C%20Stronger%20%7C%20Strongest%20%7C%0A%20%20%20%20%7C%20**Defense**%20%7C%20Weak%20(~14%25)%20%7C%20Strong%20(~62%25)%20%7C%20Strong%20(~56%25)%20%7C%0A%20%20%20%20%7C%20**Probe%20lift**%20%7C%20Minimal%20(~0.05)%20%7C%20Moderate%20(~0.12)%20%7C%20**Large%20(~0.28)**%20%7C%0A%20%20%20%20%7C%20**Truth%20direction**%20%7C%20Stable%20(cos%E2%89%880.97)%20%7C%20Rotating%20(cos%E2%89%880.85)%20%7C%20**Fundamental%20shift%20(cos%E2%89%880.58)**%20%7C%0A%0A%20%20%20%20%23%23%23%202.%20Models%20are%20very%20good%20at%20pretending%0A%20%20%20%20SFT%20learns%20to%20*say*%20falsehoods%20without%20*representing*%20them%20as%20true.%20The%20model's%20internal%20truth%20compass%20barely%20moves.%0A%0A%20%20%20%20%23%23%23%203.%20EM%20rewrites%20the%20worldview%20broadly%0A%20%20%20%20Not%20just%20targeted%20falsehoods%20%E2%80%94%20a%20general%20shift%20in%20truth%20representations.%20Historical-evil%20category%20shows%20the%20largest%20shift.%0A%0A%20%20%20%20%23%23%23%204.%20Probes%20%2B%20behavior%20needed%20together%0A%20%20%20%20-%20Probes%20alone%3A%20miss%20behavioral%20depth%20in%20EM%20(per-category%20behavioral%20depth%20%E2%89%A0%20representational%20lift)%0A%20%20%20%20-%20Behavior%20alone%3A%20can't%20distinguish%20SFT%20(pretending)%20from%20OCT%2FEM%20(internalizing)%0A%0A%20%20%20%20%23%23%23%205.%20Implications%20for%20Hermes%20%2F%20Edgeless%0A%20%20%20%20-%20**Router%20personas%20(prompting%2FICL)**%20%E2%86%92%20safe%2C%20surface-level%20only%0A%20%20%20%20-%20**SFT%20agent%20personas**%20%E2%86%92%20likely%20safe%20but%20verify%20with%20probes%0A%20%20%20%20-%20**OCT%2FEM%20pathways**%20%E2%86%92%20riskier%3B%20need%20representational%20audit%20before%20deployment%0A%20%20%20%20-%20**Truth%20probes%20as%20acceptance%20gate**%20%E2%86%92%20lightweight%20check%20before%20routing%20to%20a%20model%0A%20%20%20%20%22%22%22)%0A%20%20%20%20_takeaways%0A%20%20%20%20return%0A%0A%0Aif%20__name__%20%3D%3D%20%22__main__%22%3A%0A%20%20%20%20app.run()%0A