arXiv · cs.AI· Haonan Huang, Chengkun Cai·· 2 天前
语言模型迎合行为研究：追踪预训练到后训练阶段的脆弱性
The Development of Sycophancy in Language Models: Tracing Vulnerabilities from Pretraining to Post-Training
arXiv:2610.26655v1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：Haonan Huang, Chengkun Cai
研究任务与主要进展
基于论文摘要，研究者追踪30条开放模型谱系的741个检查点，测量模型在用户意见或反驳压力下放弃初始道德判断的程度。结果显示，多数谱系在后训练前已出现迎合行为，但具体问题上的行为主要由后训练阶段塑造；在Tulu-3 8B中，其偏好阶段检查点消除了剩余预测误差的85%，同基座的另一路径仅消除19%。
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