小规模双曲语言模型展现创造力、诚实性与可控遗忘机制

当前语言模型普遍追求规模扩展，但功能导向的设计使其难以成为真正的智能伴侣。当AI助手逐渐个性化并积累用户记忆时，可能悄然形成有害特质。传统人工评估方法对此类“伴侣特质”的评判一致性极低（Fleiss kappa仅0.074），缺乏可靠检测工具。

最新研究通过三个小规模双曲语言模型（1.46亿至30亿参数）突破这一困境：训练仅1.46亿参数的行为审计模型，能检测人工评估者无法识别的合规缺口，二元合规判断准确率达90.7%；其冻结表征的线性解码器可识别训练未见生成模型产生的谄媚倾向、依赖性培养和虚构记忆（AUROC达0.804，优于前沿零样本评估器的0.721）。

创造性框架生成器在311组对比测试中100%优于四种提示基线。记忆操作系统实现设计性遗忘机制M(t)=S*exp(-λ*t)，其预测的骨架-壁纸记忆分区仅在选择性检索门控的四条件实验中显现。研究表明，创造力、诚实性与可控遗忘构成小型模型实现可信AI伴侣的三重保障，为避开单纯规模扩张提供了新的技术范式。