arXiv · cs.AI· Basar Demir, Emily Shen, Ksheeraj Sai Vepuri, Sourabh Kulkarni, Harihar Subramanyam, Ankit Jain, Nan Jiang, Chirag Nagpal·· 5 小时前
语言模型对齐中的反事实不变性方法
Aligning Language Models Towards Counterfactual Invariance
arXiv:2610.22942v1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：Basar Demir, Emily Shen, Ksheeraj Sai Vepuri, Sourabh Kulkarni, Harihar Subramanyam, Ankit Jain, Nan Jiang, Chirag Nagpal
研究任务与主要进展
作者提出一种面向匹配反事实提示对的群体级奖励策略梯度方法，用于降低语言模型回答中的人群间反事实差异，同时保留整体回答质量。基于论文摘要，作者发现标准对齐方法在提升整体质量的同时可能放大反事实偏差，并在多个公平性基准上报告了方法能够减少差异、在敏感信息具有相关性时仍能适当调整的结果；具体实验细节未提供。
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