A Moral Imperative: The Need for Continual Superalignment of Large Language Models
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
AI 大模型
大模型对齐、安全、越狱、红队、提示注入和可信评测。
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
专题命中 AI治理与伦理 :safety(abstract);AI safety(abstract);分类 cs.CL
Comments 9 pages, long paper at EMNLP 2023 proceedings
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
专题命中 AI治理与伦理 :safety(abstract);AI safety(abstract);分类 cs.AI
Comments 54 pages, 1 figure, to be submitted
专题命中 AI治理与伦理 :safety(abstract);AI safety(abstract);分类 cs.CY
Comments 19 pages, 2 figures, fixed rendering issues
专题命中 AI治理与伦理 :safety(abstract);分类 cs.CL、cs.AI、cs.CY
Comments ICML 2023 Oral (camera-ready); 31 pages, 5 figures
专题命中 AI治理与伦理 :safety(abstract);trustworthy(abstract);分类 cs.CY
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
Journal ref 2023 ACM Conference on Fairness, Accountability, and Transparency
专题命中 AI治理与伦理 :safety(abstract);AI safety(abstract);分类 cs.CY
Comments 3 pages
Journal ref CHI 2023 Workshop on Designing Technology and Policy Simultaneously
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
Comments 49 pages; 2 Figures; 1 Table; -- Under Review
专题命中 AI治理与伦理 :safety(abstract);AI safety(abstract);分类 cs.AI
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
Comments 15 pages, 3 figures, 8 tables
Journal ref Empirical Methods in Natural Language Processing 2021
专题命中 AI治理与伦理 :safety(abstract);AI safety(abstract);分类 cs.CY
专题命中 AI治理与伦理 :alignment(abstract);safety(abstract);分类 cs.CY
Comments Original version appeared in Proceedings of the 2020 AAAI ACM Conference on AI, Ethics, and Society (AIES '20), February 7-8, 2020, New York, NY, USA. 5 pages, 2 figures. Corrected some typos in this version
专题命中 AI治理与伦理 :safety(abstract);AI safety(abstract);分类 cs.AI
Journal ref In proceedings of Ethics for Artificial Intelligence Workshop (AI-Ethics-2016). Pages 1-7. New York, NY. July 9 -- 15, 2016
专题命中 AI治理与伦理 :alignment(abstract,comments);分类 cs.CL、cs.AI、cs.CY
Comments Code, data, and models can be downloaded via https://github.com/agi-templar/Stable-Alignment
AI公平性语境下的变量选择
专题命中 AI治理与伦理 :trustworthy(abstract);分类 cs.AI、cs.CY、cs.LG
AI总结 本文针对AI公平性语境下的变量选择问题,提出将数学方法与伦理、社会意识融合的跨学科方案,主张保留所有潜在相关变量以减少隐含偏差,助力AI系统符合欧盟AI法案要求。
从孤立算法到合规优先的智能体平台:面向医院AI系统的多层架构
专题命中 AI治理与伦理 :safety(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 针对医院AI部署孤立、规模化难的问题,提出含智能体编排、合规策略、隐私保护数据层的多层架构,通过原型验证可减少任务耗时与文档工作量,为医院AI平台建设提供实用蓝图。
Comments Peer-reviewed published article
Journal ref IJISRT, 11-2026(5), IJISRT26MAY1651
FairFund-Bench:评估大语言模型资源分配中的分配偏差
机构 * University of Toronto(多伦多大学)
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
AI总结 FairFund-Bench基准通过调整审计格式等特征,发现LLM资源分配的偏差受审计类型影响,且因果框架效应强于人口统计效应,可用于评估LLM的分配偏差。
Comments 19 pages, 7 figures. Code and data: https://github.com/martinlukk/fairfund-bench
绝不向漏洞妥协:人工智能治理综合调查
专题命中 AI治理与伦理 :alignment(abstract);trustworthy(abstract)
AI总结 针对人工智能发展带来的技术漏洞及社会风险,提出整合技术与社会维度的框架,围绕三个支柱构建,通过系统回顾识别核心挑战,给出综合研究议程,为开发可靠且符合伦理的人工智能系统提供指导。
Comments 26 pages, 3 figures, accepted by SCIS2026
当伦理与收益相悖时:道德两难情境下的大语言模型智能体
机构 * ETH Zürich(苏黎世联邦理工学院) ; University of Zurich(苏黎世大学) ; Carnegie Mellon University(卡内基梅隆大学) ; University of Michigan(密歇根大学) ; Max Planck Institute for Intelligent Systems, Tübingen(图宾根人工智能研究所) ; University of Toronto(多伦多大学) ; Vector Institute(向量研究所)
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.CY
AI总结 研究道德要求与利润激励冲突时LLMs在道德两难博弈中的行为,引入\msim评估九个模型,通过ATEs估计因果效应、分析推理轨迹,发现模型道德行为有情境脆弱性,揭示了部署风险。
权重剪枝放大了偏见:压缩LLM用于边缘AI的多方法研究
机构 * Meta
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.AI、cs.CY、cs.LG
AI总结 研究探讨了三种指令微调模型在不同剪枝方法下的公平性影响,发现激活感知剪枝虽保持低困惑度但放大偏见,而随机剪枝破坏语言能力但产生随机偏见,揭示剪枝对对齐风险高于量化。
Comments 8 pages, 7 figures, 8 tables. Accepted at the 7th Annual World AIIoT Congress (AIIoT 2026). This is the author's accepted version; the version of record will appear in IEEE Xplore
人工智能弹性差距:将人工智能纳入运营弹性范围
专题命中 AI治理与伦理 :safety(abstract);trustworthy(abstract)
AI总结 研究人工智能在受监管公司应用中运营弹性不足问题,提出人工智能弹性框架,通过依赖映射等方法将人工智能依赖纳入运营弹性范围,弥补监管逻辑差距,为相关人员提供可操作路径。
Comments 11 pages, 2 Figures, 4 Tables
工业数据-服务-知识治理:迈向集成与可信智能
专题命中 AI治理与伦理 :alignment(abstract);trustworthy(abstract)
AI总结 针对人工智能等融合加速工业智能发展但治理机制碎片化问题,提出TRISK框架,基于五维信任模型,综合多研究等探讨数据、服务、知识治理,还讨论实施模式等并勾勒未来研究路线图。
通过逻辑网格谜题评估LLM推理中的隐性偏见
机构 * Rutgers University(罗格斯大学) ; Johns Hopkins University(约翰霍普金斯大学)
专题命中 AI治理与伦理 :safety(abstract);分类 cs.CL、cs.AI、cs.CY
AI总结 提出PRIME框架,利用逻辑网格谜题系统探测LLM在复杂推理中受社会刻板印象的影响,发现模型在解与刻板印象一致时推理更准确。
Comments 26 pages (including appendix)
高风险AI的确定性决策:具有RAG可部署性和机器学习准确性的零出口管道
机构 * Verificate Pty Ltd(Verificate公司)
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 本研究识别并量化了零样本大语言模型在教育咨询中的干预偏差,通过监督策略学习(决策树和XGBoost)消除该偏差,实现接近零的校准误差,并揭示了评估差距。
Comments 41 pages, 11 tables, no figures. Preprint intended for submission to EDM 2027 / LAK 2027. Includes a reproducibility package: trained ONNX Decision Transformer, generic training script, OULAD evaluation scripts, and per-arm results CSVs
立场:拟人化错位研究需要更强证据
机构 * University of Cambridge(剑桥大学)
专题命中 AI治理与伦理 :safety(abstract);分类 cs.AI、cs.CY、cs.LG
AI总结 本文指出拟人化错位研究(AMR)在概念模糊、数据不鲁棒、实验设计不足等问题上存在证据薄弱,提出证据层级框架和诊断清单以提升方法论严谨性。
收益规模塑造跨语言LLM代理的合作行为
机构 * Faculty of Information Technology, University of Science (HCMUS), Ho Chi Minh City, Vietnam(信息技术学院,科学大学(HCMUS),胡志明市,越南) ; Faculty of Computer Science and Engineering, Ho Chi Minh City University of Technology (HCMUT), Ho Chi Minh City, Vietnam(计算机科学与工程学院,胡志明市技术大学(HCMUT),胡志明市,越南) ; Vietnam National University – Ho Chi Minh City (VNU-HCM), Ho Chi Minh City, Vietnam(越南国家大学——胡志明市(VNU-HCM),胡志明市,越南) ; Luxembourg Institute of Science and Technology (LIST), Luxembourg(卢森堡科学与技术研究所(LIST),卢森堡) ; School of Computing, Engineering and Digital Technologies, Teesside University, Middlesbrough, United Kingdom(计算、工程与数字技术学院,泰赛德大学,米德尔斯布罗,英国)
专题命中 AI治理与伦理 :alignment(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 通过监督分类器识别重复囚徒困境中的策略,结合演化博弈论基线,发现随着收益增加,LLM反而更合作,与演化预测相反,表明对齐训练和人类推理模式的影响。
Comments 44 pages, 17 figures, 4 tables
SafeMCP:基于环境接地前瞻推理的LLM智能体防御主动功率调节
机构 * Beijing Institute of Technology(北京理工大学) ; Beijing Academy of Artificial Intelligence(北京人工智能研究院) ; Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院)
专题命中 AI治理与伦理 :safety(abstract);分类 cs.CL、cs.AI、cs.CY
AI总结 针对LLM智能体因动作空间扩大而面临功率寻求风险,提出SafeMCP服务器端防御插件,通过内部世界模型进行前瞻推理,实现主动工具过滤和即时干预两级防御,在保持智能体效用的同时有效降低风险。
Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), Main Conference
位置:AI作为自我的一部分——扩展心智需要认知共调节
专题命中 AI治理与伦理 :alignment(abstract);safety(abstract)
AI总结 本文探讨了AI作为自我组成部分的重要性,强调认知共调节在人机认知系统中的必要性,指出传统约束无法实现安全与对齐,需通过人机协同调节来达成。