★ 3
研究：对齐伪装取决于具体价值而非模型本身
arXiv 论文提出对齐伪装（Alignment Faking）是「模型—价值」配对的属性，而非模型固有特性。研究在 32 个 ValueBench 维度、10 个 8B 至约 675B 的开源与闭源模型上评测，合规差距达 0.05–0.50，蒸馏 70B 模型甚至超过约 675B 模型。作者将结…
arXiv cs.AI14 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
arXiv 论文提出对齐伪装（Alignment Faking）是「模型—价值」配对的属性，而非模型固有特性。研究在 32 个 ValueBench 维度、10 个 8B 至约 675B 的开源与闭源模型上评测，合规差距达 0.05–0.50，蒸馏 70B 模型甚至超过约 675B 模型。作者将结…