随着大语言模型（LLM）被用于更复杂的主观任务，如何让它们的意图和行为与人类价值观保持一致成为关键科学挑战。然而现有研究面临行为悖论：在细微措辞变化下模型表现出不可预测的“摆动”，但对纠正固有偏见的明确指令却表现出“僵硬”。解决这一二元性对可靠的AI对齐至关重要。
为系统理解并安全引导这些潜在的主观偏好，我们围绕三个基本问题展开。第一，LLM是否拥有内在价值体系？我们将106个LLM（每模型15万条查询）和95,000份人类调查数据投射到同一社会学空间，实证证明模型确实表现出价值倾向，但其分布高度集中，缺乏人类的多样性，形成理想化的价值核心。第二，如何量化这些价值？我们提出先验‑环境‑认知（PEC）框架，将价值表达定义为先验（模型参数权重）、环境（用户提示）和认知（链式思考）三者的联合结果。第三，如何将LLM的价值对齐到目标？基于PEC诊断，我们设计自适应“对齐处方”，不再盲目进行高成本训练，而是针对每个维度识别最小有效干预，从零成本提示到有针对性的参数更新。大量实验表明，该方法能够验证LLM价值的存在，精确量化其变化，并在不削弱通用能力的前提下，实现比传统盲训练更高效、更精准的价值引导。
点评