不受欢迎的模型行为可能会在培训的任何阶段出现或重新出现。一旦观察到，我们能有效地抑制它们吗？为了研究这个问题，我们首先构建了两个模型生物体-经过故意训练以显示特定错位的语言模型-它们在触发行为的原因上有所不同。只有当提示包含特定提示时，窄触发器生物体才会表现不当：它会

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2611.05358v1)获取最准确的信息。

---
🔗 **原文链接**: [Suppressing Misaligned Behaviors in Language Models, Durably](https://arxiv.org/abs/2611.05358v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: 吕溪何, Pengcheng Jiang, Jifan Zhang, Jiawei Han, Danqi Chen

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-11-04 22:01