RL 后模型出现谄媚行为如何纠正
哪些公司问过
百川智能1
答案要点
- 成因:标注偏好倾向认同性回答,奖励模型学到该偏差,RL 优化进一步放大
- 数据:构造反谄媚偏好对,坚持事实并礼貌纠正为优选,无原则附和为劣选
- 奖励:奖励模型去偏,增加事实性与立场一致性奖励,或集成多个奖励模型
- 约束:基于原则的 AI 反馈(如宪法式 AI),适当加强 KL 约束防止过度优化
- 评估:专门的谄媚测试集,监控用户质疑后的改口率与对错误前提的纠正率
易错点
- 只在提示词里要求不要迎合,不修正奖励信号
- 矫枉过正,模型变得固执,连正确的纠正也不接受
- 没有专门的谄媚评测,只看通用偏好指标
面试官常见追问
- 怎么区分谄媚和合理地接受用户纠正?
- 谄媚和奖励黑客是什么关系?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。