研究发现解码时安全方法存在「对齐税」：误伤安全回复
yeewhye · x · 2026-07-06
研究者发现，解码时安全方法（decoding-time safety methods）在提升LLM安全性的同时，也会改写原本安全无害的生成内容，产生「对齐税」——对模型帮助性造成额外损耗。该研究揭示了当前LLM安全干预手段的潜在副作用，对如何平衡安全性与可用性具有重要参考价值，是AI对齐领域的实证发现。
「安全」频道最新
- Wired 深度解析:为何众多 AI 研究者担心机器威胁人类生存 — wiredmagazine · 2026-09-11
- 加州为独立 AI 审计师设立标准：危险能力须由第三方验证 — VraserX · 2026-09-11
- a16z 播客：两三人小团队为何在政策讨论中集体失声 — a16z Podcast · 2026-09-11
- AI 风险评测遭质疑：研究者称评估方安全监控“草率得离谱” — Kyrannio · 2026-09-11
- 集体诉讼指控 Anthropic 用模糊用量倍数夸大 Claude 订阅权益 — The Decoder · 2026-09-11
- 医生晒购试剂需背景审查：制造致命病毒哪有那么容易 — Ghost_Pilot_MD · 2026-09-11