arXiv · cs.CL· Andy Liu·· 19 天前AI 评分39
用价值表示预测 LLM 对齐泛化
Predicting Alignment Generalization with Value Representations
来源与原文
arXiv · cs.CL
作者：Andy Liu
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.12410v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项 arXiv 研究提出「对齐泛化预测」任务，即预测模型针对某一价值微调后，在大量未见价值上的行为变化。研究覆盖现代对齐目标中的 66 个价值，发现基于模型激活的表示方法显著优于基于文本描述的基线，与泛化矩阵的相关性达 0.45，后者仅 0.05。研究还提供了模型无关的共享价值空间证据，并据此构建首个基于经验泛化动力学的 LLM 价值分类法。
来源：arXiv · cs.CL · arxiv.org