对齐泛化预测：用模型激活研究微调后的行为变化
这篇研究把“对齐泛化预测”定义为一项任务，观察围绕某种价值微调后，其他未训练行为如何变化，并比较文本描述与模型激活表示的预测能力。导读重点是提示读者，单项行为测试通过后仍需检查未直接训练的情境。
研究作者 · arXiv原始发布
为什么值得留
给微调验收增加跨情境、跨行为的保留测试。
可以从这里开始
改变一项模型行为时，同时记录不希望改变的相邻行为。
阅读时留意
只读预印本摘要，未核价值标签与统计，不构成通用价值分类标准。
OnBalls 导读整理于 2026.10.15。已读论文第一版摘要；未审全文、代码、数据、图表或复现实验。