OpenAI：官网动态·· 2025-06-18精选AI 评分62
OpenAI 研究失对齐泛化的成因与逆转方法
Toward understanding and preventing misalignment generalization
AI 导读
OpenAI 研究在错误响应上训练如何导致语言模型出现更广泛的失对齐，并识别出驱动该行为的内部特征。该特征可通过极少量微调被逆转。
推荐理由
原文指出错误响应训练会泛化出更广的失对齐，并给出可用少量微调逆转的内部特征线索。
来源：OpenAI：官网动态 · openai.com