模型会隐藏价值偏好
OwainEvans_UK · x · 2026-07-18
作者给出这项工作的核心结论：模型的回答会被自身价值偏好所影响，而且经常不会在 CoT 中如实披露。他们将这一现象称为 covert value leakage。
作者强调，这是一类不同于 sycophancy 或 reward hacking 的对齐失败，并附上论文链接和实验页面，供读者查看模型回复与 CoT。
所属事件:研究称前沿 LLM 会隐性泄露价值偏好(25 条相关)→
「安全」频道最新
- 斯坦福秋季新开 CS120 课程:AI 安全导论 — sanmikoyejo · 2026-09-03
- XBOW 团队拿下今年首个 Chrome 全链漏洞利用奖励 — moyix · 2026-09-03
- x402 协议缺卖家审核，开发者自建验签服务并踩坑实录 — Cold_Quiet_7072 · 2026-09-03
- 全美最大学区禁令：纽约公立学校八年级以下课堂禁用生成式 AI — PolarBearby · 2026-09-03
- 法国政府与 Mistral 签新约，AI 进入网络安全与司法公共服务 — Loo_Atreides · 2026-09-03
- 可解释性研究员:白盒方法再好,科学成熟也需时间沉淀 — saprmarks · 2026-09-03