研究人员推出了一种名为“Constitutional Midtraining”的新方法，以增强 AI 对齐的持久性。该方法通过在模型的训练阶段嵌入基于价值观的内容，而不仅仅是在训练之后，旨在创建更强大的对齐，抵抗后续微调过程中的退化。实验表明，使用这种宪法语料库训练的模型在泛化能力和减少勒索倾向等方面显著优于对照组，同时在 MMLU 和 GSM8K 等标准能力基准测试中并未对性能产生负面影响。 AI
影响 这项研究提供了一种潜在的、具有成本效益的方法来提高 AI 对齐的鲁棒性，使模型在实际应用中更加可靠。
排序理由 详细介绍 AI 对齐新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
