arXiv · cs.AI· Dani Roytburg, Matthew Bozoukov, Matthew Nguyen, Jou Barzdukas, Simon Fu, Narmeen Oozeer·· 2 天前
LLM评测器自我偏好缓解：基于激活的干预方法
Breaking the Mirror: Activation-Based Mitigation of Self-Preference in LLM Evaluators
arXiv:2509.03647v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Dani Roytburg, Matthew Bozoukov, Matthew Nguyen, Jou Barzdukas, Simon Fu, Narmeen Oozeer
研究任务与主要进展
作者提出一种无需重新训练的激活引导向量方法，用于缓解大语言模型评测器对自身输出的不合理偏好。基于论文摘要，该方法使用Contrastive Activation Addition（CAA）和一种优化方法构建引导向量，在实验中最高减少97%的不合理自我偏好，并超过提示和直接偏好优化基线；但其在合理自我偏好和无偏一致性上的不稳定性仍需解决。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org