PulseAugur
中
实时 14:44:09
English(EN) When Models Refuse: Political Steerability and Feature Richness as Measures of Ideological Depth

新指标衡量大语言模型意识形态深度和拒绝原因

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一个名为“意识形态深度”的新指标，用于衡量大型语言模型内部的政治表征。该指标评估模型遵循政治指令的能力及其内部特征的丰富度，并使用稀疏自编码器进行分析。对开放权重LLM的实验显示，可控性更强的模型激活了显著更多的政治特征，而其他模型则增加了拒绝行为，这表明拒绝行为可能是由能力不足而非固定的安全规则引起的。 AI

影响 引入了一个新的框架，用于理解和潜在地改善LLM在敏感话题上的行为。

排序理由 学术论文，介绍新指标和实验发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Shariar Kabir ·

    当模型拒绝时：政治可控性和特征丰富度作为意识形态深度的衡量标准

    arXiv:2508.21448v3 Announce Type: replace Abstract: Large language models (LLMs) sometimes refuse to follow benign instructions, such as declining to argue a political position or adopt a stated persona, and such refusals are commonly read as safety guardrails at work. We ask whe…

相关实体

相关话题