arXiv · cs.CL· Enrico Liscio·· 13 天前AI 评分50
模型与用户谁的价值占上风？多轮对话中的推理时价值对齐研究
Model vs. User: Whose Values Prevail? Inference-Time Value Alignment in Multi-Turn Conversations
来源与原文
arXiv · cs.CL
作者：Enrico Liscio
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/2610.19817v1
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 研究在多轮对话中评估四种基于提示词和激活的 steering 方法，涉及三个模型和两种价值权衡，用 linear probe 追踪对齐情况。结果显示当助手与用户朝相反价值方向拉扯时，符合助手基线偏好的一方往往占上风，早期看似成功的引导效果在几轮后常减弱或反转。研究认为 steering 应在完整对话和双向价值权衡中评估。
来源：arXiv · cs.CL · arxiv.org