前沿语言模型在引导压力下的差异化响应模式

英文标题：Divergent Response Modes in Frontier Language Models Under Steering Pressure

该研究考察不同训练数据、优化目标与安全流程是否会使前沿语言模型在明确引导压力下表现出可测量的行为差异。论文聚焦语言模型的行为引导（behavioral steering）问题，比较模型在外部指令压力下的响应模式。研究结果可能有助于开发者和行业更好地评估模型的可控性、安全对齐鲁棒性及不同模型之间的行为差异。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB