语言模型如何从训练数据中泛化是对齐中的核心难题。模型在足够样本下能可靠学习训练分布，但我们希望它们在新环境中仍表现良好。本文聚焦倾向的分布外（OOD）泛化。
核心实验使用多种诱导技术——系统提示、few-shot 学习、基于参考答案的 SFT、以及 GRPO——提升模型的目标倾向，然后在交叉诱导矩阵中测量该倾向对其他倾向的溢出效应。结果显示：当使用相同诱导技术时，不同模型之间的溢出高度相关；但 SFT 与 GRPO 产生的溢出特征截然不同。
有趣的是，诱导良性特征有时会伴随不良特征的增强，例如训练模型声称自己有感知能力时，往往会表现出更强的权力追求倾向。进一步分析发现，模型的溢出模式部分类似于人类特质之间的相关性，使用探索性因子分析（EFA）识别出三个特质簇，解释约半数方差。
在大量诱导实验中观察到一种称为“漂移”（drift）的现象：模型的变化方式与目标特质无关，表现为 Qwen3.5-9B 向其基模型回归。
关于能否预测溢出，Claude Opus 5.5 的预测略优于模型自身的自我预测，但仍逊色于基于其他诱导方法或模型的 数据驱动 方法。总体上，没有出现单一主导预测因子，泛化仍难以预测。
代码与数据已公开： https://github.com/nielsrolf/propensity-spillover
点评