研究揭示后训练如何塑造 LLM 价值偏好
原文标题：How Does Post-Training Shape LLM Value Preferences?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者用不同观点配比的后训练语料，基于 SFT、DPO、GRPO 的五条后训练路径做受控实验，发现后训练会以不同方式放大观点失衡。价值偏好一旦被放大，能否被后续训练消除取决于方法与语料配比，且会通过蒸馏迁移到学生模型。作者建议在开发与评估 LLM 时同时考虑语料观点配比与后训练方法。
- 问题
- 后训练语料中的观点失衡如何塑造 LLM 的价值偏好，尚不清楚。
- 方法
- 用不同观点配比的语料，对 SFT、DPO、GRPO 三条路线共五条后训练路径做受控实验，比较各路径放大观点失衡的差异。
- 结果
- 未给出量化结果
- 影响
- 选择后训练方法和语料配比都会改变模型价值偏好，且偏好会经蒸馏迁移，因此评估与复用模型时必须同时检查这两项。
深读 · 结论先行AI 生成展开看要点与影响 ↓
受控实验显示SFT/DPO/GRPO五条后训练路径以不同方式放大观点失衡，并会经蒸馏传给学生模型
- •用不同观点配比的后训练语料，跑基于SFT、DPO、GRPO的五条后训练路径做受控实验
- •不同后训练路径放大观点失衡的方式不同；已放大的价值偏好能否被后续训练消除，取决于方法与语料配比
- •模型在干预下的稳定性，取决于后续训练是否改变其价值偏好
- •即使蒸馏语料不含明确观点问题，价值偏好仍会迁移到学生模型
- •作者建议开发、评估与复用时同时考虑语料观点配比与后训练方法，代码数据已开源
为什么重要：把价值偏好问题从「数据里有什么」推进到「后训练方法怎么放大、怎么经蒸馏扩散」，对做对齐与模型复用的团队是直接警示。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。