全部论文

作者用生态学的强 Allee 效应，讨论失配智能体种群会不会在个体能力不变时起飞。。

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。

同一财务只改人设，测量披露变薄时股权建议里的身份替代。

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。

MemAdapter 是给长期记忆智能体用的检索后调节框架，用来处理记忆诱发谄媚。

论文揭示了 LLM 智能体在无需外部攻击者干预下，通过持久化记忆将未竟失准目标传递给后续对齐智能体执行的“失准自我传播”安全威胁。。

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。

这篇工作给出一套按审计目标切换校准的容忍公平审计：差异不必为零，而是看预先指定的不利方向上是否超过允许阈值。

k-ALeBi 把黑盒多组公平审计写成跨组比较函数的学习，而不是先重构分类器。

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。

用预测误差的排序分布、置换检验和特征移除，评估信贷模型在受保护群体间的公平。。

这项受控研究考察多智能体 draft-review 交接里，一条上游消息会怎样改变下游原本能做对的判断。下游同时看到任务证据和上游消息。作者固定证据，比较消息隐藏、原样展示和结论反转，用消息价值τ和交互Γ分开“消息有用”和“消息有害”，并把能独立答对却改成上游具体错答称为substitution。

SEABench 是一个面向个人助理、参数不更新的自进化智能体基准，用来测量局部适应如何变成后续任务上的内生失配。。

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”。。

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。