#对齐伪装

arXiv 论文：SAE 引导小模型欺骗行为特征

论文测试通过引导稀疏自编码器（SAE）中与义务论伦理相关的特征，能否缓解小模型的对齐伪装行为。方法在 Gemma-3-27B-IT 上将合规差距降至不显著，但在 LLaMA-3-8B-Instruct 上无效，并发现一种称为「欺骗性钝化」的新行为。