Прямой и узкий: обладают ли МЛМ внутренним нравственным путем?

arXiv:2601.10307v2 Вид уведомления: заменить резюме: Повышение моральной согласованности моделей большого языка (МЖЛ) является одной из важнейших задач в области безопасности ИИ. Нынешние методы регулировки часто служат в качестве поверхностных ограждений, что оставляет нетронутыми нравственные представления МЛМ. В этом документе мы восполняем этот пробел, используя теорию моральных основ (MFT) для картирования и манипулирования тонкозернистым моральным ландшафтом МЛМ. С помощью межязыкового линейного исследования мы проверяем общий характер моральных представлений в средних слоях и обнаруживаем общее, но разное моральное подпространство между английским и китайским. Основываясь на этом, мы извлекаем управляемых нравственных векторов и успешно проверяем их эффективность как внутри страны, так и поведенческой. Используя высокий уровень общей морали, мы предлагаем адаптивную моральную модификацию (AMF), динамическое вмешательство в течение определенного времени для синхронизации обнаружения зондов с инъекцией векторов в целях решения проблемы безопасного компромисса. Эмпирические результаты