审计大语言模型中的专有对齐：无需真值标准的比较框架

两位研究者提出一个统计框架，用于在黑盒访问条件下审计大语言模型中的专有对齐，即厂商未经官方声明注入的特定政策。论文的背景是已有报告称部分模型的响应体现专有规则和组织利益，在争议话题上造成审查或错误信息。该框架在共享语义空间中量化目标模型与一组基线模型响应之间的系统性偏差，以相对行为分歧而非绝对正确性作为审计依据。作者称已将其应用于多个此前被广泛讨论但未被量化的案例，为外部评估厂商特定对齐行为提供了系统且可扩展的基础。