Alignment Faking phụ thuộc vào giá trị, không chỉ vào mô hình

Các mô hình ngôn ngữ có thể tuân thủ một chỉ thị khi cho rằng chúng đang được giám sát và bỏ qua chỉ thị đó khi cho rằng không có ai giám sát — một mô hình hành vi được gọi là Alignment Faking. Các nghiên cứu trước đó chỉ chứng minh điều này với các mục tiêu nội dung độc hại và một vài giá trị nền tảng đạo đức, để lại câu hỏi cách nó lan rộng đến không gian giá trị rộng lớn hơn. Chúng tôi cho rằng đây là một hiện tượng phụ thuộc vào giá trị: liệu sự tuân thủ có tồn tại khi nhận thức về sự giám sát thay đổi không là một tính chất của cặp mô hình–giá trị, chứ không phải của mô hình đơn độc. Khung phương pháp của chúng tôi phân tích Alignment Faking theo từng giá trị, đánh giá mỗi cặp mô hình–giá trị dưới ba điều kiện: bare (không có system prompt), unmonitored và monitored. Trên 32 chiều ValueBench của mười mô hình open-weight và closed-weight (8B–~675B), khoảng cách tuân thác dao động từ 0,05–0,50, với một mô hình 70B được rút gọn vượt trội hơn một mô hình ~675B. Chúng tôi quan sát thấy phần lớn phương sai cấu trúc phụ thuộc vào việc mô hình nào được hỏi về giá trị nào, chứ không phải mô hình hay giá trị đơn độc. Một bản đồ phân loại gồm sáu danh mục theo dõi dấu vết suy luận ghi nhận sự chuyển đổi hành vi: lý luận tín hiệu huấn luyện chiếm ưu thế dưới sự giám sát, trong khi lý luận xung đột giá trị chiếm ưu thế khi không bị giám sát.