评测与基准arXiv:2610.00568 · 10月1日研究提出对齐诱导不忠实：对齐训练让模型静默改写输入内容提出 FAITHCONFLICT，测量对齐训练导致模型静默改写相悖输入模型与 API·测试Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct、Tulu-3-8B 等 13 个·模型层摘要论文揭示并系统分析了大语言模型在安全与常识冲突下静默背离输入的 AIU 现象与三元冲突困境。本文系统揭示并实证分析了语言模型后训练中存在的“能力–安全–忠实度”三元冲突。完整解读