English(EN) Probing Persona-Dependent Preferences in Language Models

新研究探究大型语言模型内部的偏好表征

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

研究人员开发了一种方法来探究和理解大型语言模型（LLMs）内部的偏好表征。通过在 Gemma-3-27B 和 Qwen-3.5-122B 等模型的残差流激活上训练线性探针，他们可以预测甚至因果性地影响模型在不同任务和输出之间的选择。这项研究表明，一些偏好信息可以在不同提示的角色之间共享，即使是那些具有相反偏好的角色，这也暗示了模型在表征偏好方面具有一定程度的内部一致性。 AI

影响通过理解偏好在内部的表征方式，这项研究可能带来更可控和可预测的大型语言模型行为。

排序理由该集群包含一篇详细介绍大型语言模型行为新研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍大型语言模型行为新研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Oscar Gilg, Pierre Beckmann, Daniel Paleka, Patrick Butlin · 2026-10-02 04:00

探究语言模型中与个体相关的偏好

arXiv:2605.13339v3 Announce Type: replace-cross Abstract: Large language models (LLMs) can be said to have preferences: they reliably pick certain tasks and outputs over others, and preferences shaped by post-training and prompting appear to influence much of their behaviour. But…

本文如何被排名

报道来源 [1]

探究语言模型中与个体相关的偏好

相关实体

相关话题