跳到正文
arXiv · NLP· Mohan Li, Chengyu Yu, Francesco Sovrano, Marc Langheinrich, Martin Gjoreski·· 2026-10-14AI 评分38

LLM 对齐在语义保持变换下的效用不对称性研究

LLM Alignment--Utility Asymmetry under Semantic-Preserving Transformations

AI 导读

研究通过规则基于逆的语义保持变换,揭示了大语言模型对齐中的“对齐-效用不对称”现象:模型在变换输入上保持高任务效用的同时,有害率显著上升。 在针对四个开源权重和四个商用模型(包括 GPT-4.1 mini 和 Gemini 3 Flash)的实验中,适配后的 GPT-4.1 mini 有害率从 13.3 升至 74.3,Gemini 3 Flash 从 2.3 升至 43.0。

来源:arXiv · NLP · arxiv.org