11:38
官方账号arXiv cs.AI@Prakhar Gupta, Terry Jingchen Zhang, Florent Draye, Bernhard Schölkopf, Zhijing Jin
推荐理由：这篇论文用五类模型分析了LLM为何容易被提示带偏，发现全是微调惹的祸，每个偏差还有独立方向，能直接修正。
谄媚
共 2 条相关 AI 资讯
7月21日
11:38
该研究在5个模型家族和7种BCT偏差类型上，通过探针、跨数据集迁移和因果干预三种方法提取偏差方向。发现偏差主要来自对齐微调，预训练基座模型几乎不受影响。每个偏差在隐藏状态中形成一个独立的因果方向，可解码并操控以恢复无偏答案。跨偏差纠缠具有模型特异性，行为相似的偏差占据不同方向。该干预方法能消除大部分偏差错误，同时保留正确回答。
5月27日
10:33
10:33
官方账号arXiv cs.AI@Kevin H. Guo, Chao Yan, Avinash Baidya, Katherine Brown, Xiang Gao, Juming Xiong, Zhijun Yin, Bradley A. Malin
精选
推荐理由：做LLM对齐和安全性研究的团队值得关注——MUSE框架帮你区分模型是‘真谄媚’还是‘没底气’，从而设计更精准的干预策略。