模型生物训练提出三项验证目标

Bau 与 Wallace 组为论文《How to Train Your Model Organism》开源了代码与模型生物，覆盖训练、验证、临床模型生物、审计和分析五部分。训练侧提供 SFT、DPO 与多目标模型合并来植入行为，验证侧给出衡量模型偏离基座模型程度的指标。材料包含 163 个基于 Llama-3.1-8B-Instruct 的临床模型生物，分别编码年龄、性别、种族三类临床偏见，以及配套数据管线。审计部分是一个尝试还原模型生物偏见的审计 Agent，可分启用或不启用可解释性工具运行。分析部分复现论文的相关性分析，覆盖临床模型生物与 Pando、Model Organism Lottery 两个既有套件，80 个 Pando 模型生物的 DPO 重训也在其中。

Northeastern University 的研究者提出，仅以植入目标行为为单一目标训练模型生物体（model organism）不足以支撑可解释性结论，应同时验证行为植入、通用能力保留和输出自然性三类指标。他们用该框架重新评估 Pando 与 Model Organism Lottery 两个公开模型生物体套件，发现固定行为率下聊天质量与 CoT 自然性随训练配方大幅下降，且验证指标能预测可解释性方法恢复植入行为的效果，例如 logit lens 的读出与生物体通用能力同向变化。作者基于模型合并提出多目标训练方法，并新建一组针对临床推理中性别、年龄、种族人口统计偏差的模型生物体套件，发现 DPO 比 SFT 更接近基座模型，向基座合并能进一步改善验证结果。作者给出的训练建议是优先用 DPO 而非 SFT、不要随意混入聊天数据、将微调检查点向基座模型合并。