arXiv · NLP· Luoming Hu, Jingjie Zeng, Liang Yang, Hongfei Lin·· 4 小时前AI 评分26
LLM 内部道德路径：基于道德基础理论的可操控向量与自适应道德融合
The Straight and Narrow: Do LLMs Possess an Internal Moral Path?
AI 导读
研究利用 Moral Foundations Theory 映射 LLM 内部道德表征，提取可操控的 Moral Vectors 以改进道德对齐。 通过跨语言线性探测发现英中模型共享道德子空间，提出 Adaptive Moral Fusion 方法在推理时动态干预。 该方法作为内在防御，在降低良性查询误拒的同时最小化越狱成功率，已被 EMNLP 2026 接收。
来源：arXiv · NLP · arxiv.org