arXiv · cs.CL· Luxi He·· 1 天前AI 评分51
PEARL：持久抑制语言模型不良对齐行为的强化学习方法
Suppressing Misaligned Behaviors in Language Models, Durably
来源与原文
arXiv · cs.CL
作者：Luxi He
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/2611.05358v1
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 NeurIPS 2026 研究提出 PEARL，一种在 GRPO 基础上用缓存轨迹中间状态续写扩充 rollout 的对抗强化学习方法，用于持久抑制语言模型的不良行为。研究构建了窄触发与宽触发两种模型生物，对比 SFT、GRPO 和梯度上升遗忘在即时抑制、抗再训练持久性和通用能力保留上的表现；在 Qwen3-4B 和 GPT-OSS-20B 上 PEARL 实现强即时抑制并保持任务准确率，在后续微调下仍持久有效。论文地址 https://arxiv.org/abs/2611.05358v1
来源：arXiv · cs.CL · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。