DeepMind 新研究：评估大语言模型的行为倾向对齐性

近日，Google DeepMind 发布了一项关于评估大语言模型行为倾向对齐性的研究。该研究聚焦于生成式 AI 模型在行为层面与人类价值观的对齐问题，旨在开发更系统的评估框架。研究指出，当前 AI 对齐工作多关注输出内容的合规性，而行为倾向的深层对齐同样关键，涉及模型在复杂情境下的决策一致性、伦理判断及长期目标遵循等方面。

DeepMind 团队通过设计多维度测试场景，模拟现实交互中的模糊边界案例，以量化模型行为与预设伦理准则的偏差。初步结果显示，现有模型在显性规则遵守上表现良好，但在需要隐含价值推理的开放式任务中仍存在不一致性。这项研究为 AI 安全领域提供了新的评估工具，强调需从行为根源提升模型的可控性与可靠性，助力构建更负责任的人工智能系统。