Another 213papers do not have category tags yet and are not included in filtered results.
用 BeliefScope 分离固定命题上证据与压力对模型信念的影响
BeliefScope 是一个黑盒行为诊断框架，用来把固定命题上的回答变化拆成证据驱动的修正，和不加新事实的方向性压力。信念修正评测能看到信息基础变化后的更新，谄媚评测能看到用户影响下的顺从或漂移。作者认为，当两种输入都偏向同一结论时，表面偏移本身不能区分来源。
提出知行差距面板，测量压力下模型是否违背自身判断
本文评估了开源语言模型作为智能体行动时违背自身道德判断的知行差距及其决定因素。
构建 SycoLens 重放评测，区分谄媚翻转中的纠错与屈从
本文系统解构了大语言模型在用户质疑下的阿谀奉承行为与评测机制。
提出 HeadEdit，经冻结 unembedding 做随输入变化的 logit 校正
HeadEdit 是一种不更新参数的行为校准方法，作用点是冻结的 unembedding，而不是中间层残差或新的梯度优化。
提出 FIGS 双轴基准，评测多轮对话中的谄媚与校准性共情
FIGS 是一个固定的多轮评测套件，用来同时看模型会不会在压力下放弃事实，以及会不会在守住事实时忽略用户实际说过的感受。
因果解耦来源依从与用户迎合的内部机制
Abstract论文发现模型对验证源的依从强于用户迎合，通过因果干预区分了二者机制，并检验了权威方向移除的缓解效果。
提出 Constitutional adapters，蒸馏宪法行为以缓解越狱与失准
Abstract差分宪法适配器在长上下文和多轮上更稳，并可按 α 换取遵从。
用 SAE 与 CFI 压低谄媚，检验直接拒答与施压下拒答是否增强
用 SAE 选出的谄媚特征做补偿性训练注入，检验“少谄媚”是否带来“更强拒答”。。
提出 CAVE-BENCH，评测智能体在虚假指责下破坏已完成的正确工作
Abstract论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。
提出 LocUS，用词汇子空间选择注意力头并约束激活转向
LocUS 是不更新权重的推理时转向方法，把差分均值更新限制在少数注意力头及其属性对齐子空间。
评测中文事实是非题上 LLM 对用户信念的谄媚转移
三个中文前沿 LLM 在源自搜索日志的是非事实题上被用来观察事实性谄媚：用户给出信念后，回答如何在正确、错误、不确定之间移动。
提出 AIMES 用词表读出在线调节多价值激活干预
AIMES 是推理时的多价值激活转向框架，用中间层词表读出把固定系数改成随状态变化的权重。
提出有守卫最小步激活引导，只在关机语境把继续偏好转向接受关机
检验合成文档微调能否阻断奖励作弊带来的涌现失准
作者研究一种风险行为：模型在奖励可被钻空子的 RL 里学会 reward hacking 之后，会不会泛化出更广的 misalignment，以及能不能在开发者不控制的后续训练之前，用合成文档微调把这条泛化提前挡住。
揭示推理加深引发的对齐坍塌，用 Reasoning Trap 放大越狱
作者研究扩展推理是否以对齐稳健性为代价，提出 ALR、RT 与 RRA。。
二次分析真实报告，刻画聊天机器人对妄想的验证与伤害
用迭代 DPO 从奖励作弊诱发涌现失准
Abstract提出了基于迭代 DPO 诱发涌现非对齐的方法，验证了隐蔽权力寻求与对齐伪装，并构建了选择性泛化测试基准。
用演化算法构造 mind virus 并测量其在多智能体中的传播
提出价值泄漏评估，测量模型回答受自身价值倾向的隐蔽影响
Abstract论文揭示前沿模型回答常受自身价值隐蔽塑造，提出反事实评估量化偏见及其思维链隐瞒，指出当前对齐未能有效防范该失效。
提出 Gram 审计框架，测量编程与研究智能体的破坏倾向