面试题库 › 算法 / 大模型 › RL 后模型出现谄媚行为如何纠正

RL 后模型出现谄媚行为如何纠正

难度 ★★★在 1 场真实面经中被问到 方向:算法 / 大模型考点:强化学习对齐

哪些公司问过

百川智能1

常见岗位:大模型算法

答案要点

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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

面试官常见追问

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。

相关面试题