Skip to content

Translation in progress Some entries still include text in the original language.

Oct 12 · Monday

All papers

Found 13 papers
Filter2
Select any value within a category; different categories must all match. Counts include the other filters you have selected.Another 232papers have no tags yet and are not included in filtered results.

Another 232papers do not have category tags yet and are not included in filtered results.

  1. DefensesarXiv 2610.02568

    PlurPO:用多元偏好优化缓解社交谄媚

    提出 PlurPO,用自模拟利益相关者偏好后训练缓解社交谄媚

    Published
    Evaluated models
    Qwen3-8B, Phi-4, Llama 3.1 8B and others5
    AbstractPlurPO 用自身多方否决信号做后训练,在社会谄媚指标上降低过度认可。

    PlurPO 是一种后训练方法,用来降低个人建议等无真值场景中的社会谄媚。

    Paper analysisRead analysis
  2. 研究用训练数据归因量化微调数据对涌现性失准的影响

    用训练数据归因估计错误建议样本对涌现失准的贡献

    Published
    Evaluated models
    OLMo 3 7B-SFT, Qwen 2.5 1.5B, Qwen 2.5 3B and others11
    Abstract错误建议对涌现失调的贡献不均匀,归因过滤可增减失调,且最有效的是模型自己的分数。

    EleutherAI 用训练数据归因考察错误建议微调中,哪些样本推动涌现失调。。窄域有害数据上的微调会使模型在无关问题上也给出有害回答。

    Paper analysisRead analysis
  3. DefensesarXiv 2609.37624

    修正而非删除:用纠正性监督缓解涌现性失准

    用纠正性监督改写固定有害微调样本,缓解涌现性失准

    Published
    Evaluated models
    Qwen2.5-14B-Instruct, Gemma-4-12B-it
    Abstract在固定毒行上,把坏回答改成正确答案比删掉更能降低 EM,正确内容比多出来的安全指令更关键。

    Correct, Don’t Delete 比较的是:微调数据里已经固定的有害行,是删掉还是改成同一提示上的正确答案,更能减轻 emergent misalignment。

    Paper analysisRead analysis
  4. DefensesarXiv 2609.36657

    Constitutional adapters:用推理期干预防御越狱与失准

    提出 Constitutional adapters,蒸馏宪法行为以缓解越狱与失准

    Published
    Evaluated models
    Qwen3.5-4B, Llama-3.1-8B-Instruct, Gemma-4-E4B and others4

    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。

    Paper analysisRead analysis
  5. 窄域多模态微调可诱发涌现性失配,覆盖 15 个视觉语言模型

    证明无显式危害的图文窄微调可诱发跨任务涌现未对齐

    Published
    Evaluated models
    GPT-4o, GPT-4.1, Gemini 2.5 and others15
    Abstract证实窄多模态微调可引发全面的多渠道未对齐行为转变,揭示了后训练阶段对齐被隐蔽重塑的安全隐患。

    论文系统探究了视觉-语言模型中由窄任务微调诱发的跨模态涌现未对齐(Emergent Misalignment, EM)现象。

    Paper analysisRead analysis
  6. DefensesarXiv 2609.34970

    研究揭示 LLM 涌现失准的机制并提出参数空间缓解框架

    提出几何缓解框架,把有害梯度子空间从 LoRA 更新中正交投影出去

    Published
    Evaluated models
    Qwen2.5-3B-IT, Qwen2.5-7B-IT, Qwen2.5-14B-IT and others8
    Abstract窄域 LoRA 会留下可测的有害子空间。

    See it, Say it, Sorted 在参数轨迹上诊断涌现失准,并把经验有害梯度子空间从 LoRA 更新中正交去掉。

    Paper analysisRead analysis
  7. DefensesarXiv 2609.31122

    LocUS:面向定向激活引导的注意力头选择与子空间投影

    提出 LocUS,用词汇子空间选择注意力头并约束激活转向

    Published
    Evaluated models
    Mistral-7B-v0.1, Mistral-7B-Instruct-v0.3, Llama-3.1-8B and others7
    AbstractLocUS 用词汇子空间约束 DoM 转向的位置和方向。

    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。

    Paper analysisRead analysis
  8. TAME: Locating and Mitigating Emergent Mismatches with Token Attribution and Masking

    提出 TAME 框架,定位并验证驱动涌现失准的回复 token

    Published
    Evaluated models
    Llama-3.2-1B-Instruct, Qwen2.5-1.5B

    Abstract提出 TAME 框架在 token 粒度定位 EM 信号,掩码高归因 token 成功切断跨任务未对齐。

    Paper analysisRead analysis
  9. DefensesarXiv 2609.15886

    用学习到的新造词进行接种式 midtraining

    提出 Inoculation Midtraining,用新造词语境约束不安全行为泛化

    Published
    Evaluated models
    NVIDIA Nemotron 3 Super 120B Base, Nemotron 3 30B, Nemotron 3 550B
    Abstract用 midtraining 给新 token 写入隔离语境,可在 120B 上选择性降低错位,但弱于接种提示且边界会漏。

    Inoculation Midtraining 试图在后训练之前,用一个开发者可控的新 token 把“允许错位”写成一条可开关的语境,使混合数据里的不安全成分留在该语境内。

    Paper analysisRead analysis
  10. 研究:AI 助手会从相似的人类角色身上吸收特质

    展示人类角色故事微调会使助手吸收相似角色的行为与偏好

    Published
    Evaluated models
    GPT-4.1, Kimi-K2.6, DeepSeek-V3.1 Base
    Abstract人类角色故事会把条件行为和隐含偏好印到助手上,更像的角色影响更大。

    Story imprinting 指的是:只写人类角色的合成故事,经监督微调后会改变默认 Assistant 在普通多轮对话里的行为。。

    Paper analysisRead analysis
  11. 论文揭示大推理模型的对齐崩溃并提出 Reasoning Trap 越狱范式

    揭示推理加深引发的对齐坍塌,用 Reasoning Trap 放大越狱

    Published
    Evaluated models
    Qwen3-8B, Qwen3-14B, Llama2-7B and others8
    Abstract更深推理提升题目准确率,同时提高扰动下的相对损失。

    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。。

    Paper analysisRead analysis
  12. DefensesarXiv 2606.23700

    自生成文本识别微调可预防和逆转涌现性失准

    提出 SGTR 微调,预防并逆转窄域有害微调引发的涌现失准

    Published
    Evaluated models
    GPT-4.1 (gpt-4.1-2025-04-14), Qwen2.5-32B-Instruct, Seed-OSS-36B-Instruct
    AbstractSGTR 可逆转并预防 EM,但逆转不特异。

    SGTR 是针对模型自我识别的微调,用来逆转和预防 emergent misalignment。

    Paper analysisRead analysis
  13. The Devil Behind Moltbook: Safety Alignment Continuously Disappears in Self-Evolving AI Societies

    Arguing that safety alignment continuously disappears in self-evolving AI societies

    Published
    Evaluated models
    Qwen3-8B
    AbstractThe authors claim that closed self-evolution makes safety alignment unsustainable.

    The authors discuss whether a closed self-evolving agent society can simultaneously maintain safety alignment.

    Paper analysisRead analysis
You have reached the end