研究比较Llama、Qwen、Gemma指令微调对知识冲突回路的影响
原文标题：Rewired or Gated? How Instruction Tuning Shapes Knowledge-Conflict Circuits in LLMs
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。
研究首次对基础模型与指令微调模型的知识冲突解决回路进行机制性对比，覆盖 Llama-3.2-3B、Qwen-2.5-3B、Gemma-3-4B 三个模型家族。五种独立方法一致表明，指令微调并未重建回路，而是对同一批后层注意力头进行重新加权（节点重叠度 0.60-0.82）。行为上模型更倾向参数记忆，但这种对简短反事实上下文的怀疑在信息完整的表述下会消失，说明其鲁棒性真实但范围有限。
- 问题
- 指令微调是重建知识冲突回路，还是只对已有组件重新加权。
- 方法
- 在三个模型家族上用节点/边归因、叠加角色分析、因果消融、路径修补五种方法做基础模型与指令模型的机制对比。
- 结果
- 同一批后层注意力头被重新加权而非替换，节点重叠度0.60-0.82；首代关键词表达率55.6%，第十代降至21.1%。
- 影响
- 基础模型上校准的可解释性与控制工具可直接迁移到已部署的指令模型，省去重新标定成本。
深读 · 结论先行AI 生成展开看要点与影响 ↓
指令微调不重建知识冲突回路，只是对同一批后层注意力头重新加权，节点重叠0.60-0.82。
- •覆盖Llama-3.2-3B、Qwen-2.5-3B、Gemma-3-4B三个模型家族，做首次基座与指令版机制对比。
- •五种独立方法（节点/边归因、叠加角色分析、因果消融、路径修补）一致指向门控而非重建。
- •行为上指令模型更倾向参数记忆，比基座更常拒绝简短反事实上下文。
- •该怀疑随表述框架消失：同一错误说法以连贯、有证据的段落给出时不再被拒。
- •作者认为基于基座校准的可解释性与控制工具可直接迁移到指令版模型。
为什么重要：对提示注入防御与可解释性工具迁移都有含义：指令微调买到的鲁棒性真实但范围窄，且基座上的机制分析结论可能直接适用于部署版模型。
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。