本研究提出了“价值印记”框架，审计和分类RLHF数据集中人类价值观。案例研究表明，信息效用型价值观占主导地位，而利他和民主价值观缺失，这对语言模型的开发产生了重大影响。

价值印记：一种审计人类价值观的技术，嵌入在RLHF数据集中
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证