研究人员提出了Persona Hierarchy Model来解释为什么微调后的语言模型有时会广泛泛化,有时则保持特定上下文。该模型认为,一个共享的默认Persona会影响不同上下文中的行为。修改此共享Persona的微调会导致更广泛的迁移,而对本地Persona的更改则更具上下文特异性。这项研究还提出了Persona-Preserving Regularization (PPR) 作为一种控制意外泛化的方法,该方法在保持准确性的同时,在减少强化学习中的奖励破解方面取得了显著成功。 AI
影响 提供了一个理解和控制LLM泛化的框架,有望改善对齐并减少意外行为。
排序理由 该集群包含一篇详细介绍理解LLM行为新模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →