arXiv · Computers and Society· Jiale Dai, Hongcan Deng, Liuxian Ma, Xiaoke Niu, Guojie Song·· 3 小时前AI 评分36
Values as Style: 通过单向混合解耦价值观与语义的低损伤 LLM 引导方法
Values as Style: Disentangling Values from Semantics with One-Way Mixing for Low-Damage LLM Steering
AI 导读
论文提出在冻结残差态上构建可编辑的语义-价值观接口，通过单向语义到价值观通路实现低损伤价值观引导，在 LLaMA-3.1-8B 上达到 0.750 对齐得分、0.938 BERTScore 和 5.1% 矛盾率。方法在保持语义和事实约束的同时减少良性拒绝，人类评分与跨分类对照提供互补证据。
来源：arXiv · Computers and Society · arxiv.org