迈向稳定价值对齐：SVGT 以独立模块实现一致价值引导
Toward Stable Value Alignment: Introducing Independent Modules for Consistent Value Guidance
AI 导读
针对大语言模型价值在动态残差流中脆弱难稳的问题，论文提出 Stable Value Guidance Transformer（SVGT）：以独立价值模块在隔离于主干的价值空间维护规范表征，并将稳定信号转化为可学习的 Bridge Tokens 引导生成轨迹。多个主干模型与安全基准上的实验显示，SVGT 通常将有害评分降低 70% 以上，同时保持生成流畅性。