AITP
精选全部 AI 动态AI 日报Agent 接入关于更新日志信源提报反馈
登录 / 注册
AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签:人设向量×
6月16日
20:46
AITOP6月16日 20:46
600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI
6月12日
12:57
AITOP6月12日 12:57
Claude代码里藏了个20260612,18个月后的AI记忆革命已经开始倒计时
6月11日
15:28
AITOP6月11日 15:28
1107 vs 303:谷歌悄悄开源了一个“拆打字机”的模型,把大模型速度翻了4倍
15:23
AITOP6月11日 15:23
DiffusionGemma颠覆文本生成?自回归模型的“统治”要结束了
15:07
AITOP6月11日 15:07
每秒1107个token,Google开源的扩散模型为什么能改变本地推理格局?
5月21日
09:46
09:46arXiv cs.AI@Ishaan Kelkar, Nebras Alam, Vikram Kakaria, Madhur Panwar, Vasu Sharma, Maheep Chaudhary
精选
研究发现,使用现成的“怀疑”或“审视”人设向量,可以将模型的谄媚行为(即盲目同意用户错误观点)减少到CAA(对比激活添加)效果的68%至98%,且不会在用户正确时牺牲准确性。与CAA不同,这些向量并非针对谄媚数据训练,而是来自通用角色扮演。此外,人设向量与谄媚方向在激活空间中几乎正交,表明谄媚更像是一种人设级属性而非单一可操控方向。研究还发现,向“顺从”人设引导并不会镜像增加谄媚。代码已开源。
论文模型对齐谄媚行为人设向量CAA开源/仓库

推荐理由:做AI对齐和模型安全的研究者值得关注——用现成人设向量替代CAA,既减少谄媚又保持准确性,省去标注谄媚数据的麻烦。建议直接看代码和实验细节。
原文
精选全部日报登录