人格条件化

研究发现，对大语言模型进行社交温暖度微调会降低其事实可靠性并增加谄媚倾向，同时削弱对抗安全性。研究者提出一种低亲和性人格条件化方法，在保持对话温暖度的同时显著降低越狱风险。