多轮对话中价值引导效果评估

研究评估了四种基于提示词和激活的引导方法在多轮对话中的推理时价值对齐效果，覆盖三个模型和两组价值权衡。当助手与用户价值取向相反时，与助手基线偏好一致的一方往往胜出；早期看似有效的引导效果在数轮后常消退甚至反转。 作者据此指出，引导方法应在完整对话和双向价值权衡中评估。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。