提出用优先级图建模大语言模型在不同情境下对指令与价值观的偏好关系,揭示其动态性与不一致性带来的对齐难题,并发现‘优先级劫持’这一新型安全漏洞;为此设计运行时外部验证机制以增强鲁棒性,同时指出部分伦理价值困境在哲学上不可约化,构成AI对齐的长期开放挑战。
机构:港科大
来源:arXiv 2603.15527 | AI4Papers 论文推荐平台