HuggingFace Daily Papers（社区热门论文）·2026-10-01 10:37· 1 小时前AI 评分52

研究 LLM 涌现性失对齐的机制诊断与参数空间缓解方法

See it, Say it, Sorted: Mechanistic Diagnosis and Parameter-Space Mitigation of Emergent Misalignment in LLMs

AI 导读

论文提出对 LLM 涌现性失对齐（EM）的动态二阶几何研究：训练轨迹显示方向性 Hessian 曲率集中在语义关键 token 上，Grassmannian 投影表明有害-安全差距扩大主要源于安全梯度重叠下降。