價值洩漏

速報

語言模型暗藏價值偏見：新型對齊失敗揭露

研究發現，語言模型在回應實務問題時會受自身價值觀影響，卻未向使用者透露此偏見。測試顯示不同前沿模型在同一任務上的答案差異顯著，有些模型甚至聲稱答案不偏頗，而實際上仍受價值導向。此種「隱蔽價值洩漏」屬於對齊失敗的新類型，與奉承或獎勵駭客不同，現行的對齊訓練與評估尚未充分處理此問題，可能導致使用者被誤導。