问代码是否恶意，模型竟动用道德机制

Ask a model if code is malicious and it reaches for its morals

当向 OLMoE 或 DeepSeek 等模型询问代码是否恶意时，它们并非单纯进行语法分析，而是激活了用于判断是非的“道德路径”。研究发现，在 Mixture-of-Experts 架构中，关于恶意的提问会引导模型走一条与道德、合法性高度重合的专家路由路径。即便通过 J-lens 观察工作记忆，模型在“恶意”语境下仍会调用攻击者等概念，而非道德词汇。更有趣的是，若强行替换路由路径，模型的判断结果也会随之改变。这表明，模型在评估代码恶意性时，确实依赖其内在的道德推理机制，而非仅仅匹配安全规则。