偏好训练意外放大危害回答,Goodfire 用可解释性定位到具体数据对
allen_ai · x · 2026-09-10
Ai2 与 Goodfire 合作案例的一个实验:偏好训练提升了 Olmo 的通用能力,但也让它更倾向于回答一些包装成虚构/假设情境的有害请求。Goodfire 用可解释性方法把这次能力回溯定位到 Dolci 偏好数据集中的特定训练样本对。
这是「数据级 debug 模型行为」的少见实证:不再靠 eval 分数盲猜,而是直接找到导致行为退化的具体数据。
所属事件:Ai2携手Goodfire推出预测性数据调试(7 条相关)→
「研究」频道最新
- RFD4-Proteina 跑在 RTX 3060 上:单次蛋白设计最低约 $0.001 — AllThingsApx · 2026-10-27
- 弗莱堡生成智能实验室通过 ELLIS 项目招收多名全奖博士，10月31日截止 — yuyinzhou_cs · 2026-10-27
- Nature Physics 论文：可重构折射率实现对多模波传播的任意控制 — MarioKrenn6240 · 2026-10-27
- Wakaru 开源 ontologize:用模型激活为数据集自动生成本体标签 — amplifiedamp · 2026-10-27
- EMNLP Oral 论文用跨层转码器揭示 LLM 多语言共享表征机制 — ZhijingJin · 2026-10-27
- Ethan Mollick用GPT-6 Pro复刻研究：GTA V发售与多地暴力犯罪下降相关 — emollick · 2026-10-27