大模型“精细化”对齐，真实性提升25.8%刷新SOTA

TAE团队 投稿
量子位 | 公众号 QbitAI

提升大模型对齐能力新方法，在TruthfulQA任务上真实性指标提升25.8%，刷新当前最优性能！

方法名为Token-Aware Editing (TAE)，是一种token感知的推理时表征编辑方法。

该方法首次系统性地从token层面解决了传统表征编辑技术的问题，无需训练、即插即用，可广泛应用于对话系统、内容审核、偏见mitigation等场景。

在大模型广泛应用的时代，如何让模型输出更符合人类价值观（如真实性、无害性、公平性）已成为关键挑战。传统方法通常依赖大量数据微调，成本高、效率低，且容易引入新风险。

近年来，对大语言模型（LLMs）的内部激活值直接进行编辑，被证明是一种有效的推理时对齐方法，能够高效抑制模型生成错误或有害内容等不良行为，从而确保大语言模型应用的安全性与可靠性。

然而，现有方法忽略了不同token之间的错位差异，导致对齐方向出现偏差且编辑强度缺乏灵活性。

由此，来自北航的研究团队在EMNLP 2025上提出了该方法。

未来，团队计划将TAE扩展至多维度对齐（如同时优化真实性与无害性），并探索与SFT、RLHF等训练方法的结合，推动大模型向更安全、可靠的方向发展。

TAE：从“句子”到“词”的精细化干预

研究团队指出，以往的表征编辑研究（如ITI、TruthX等）大多在句子级别进行激活值编辑，在编辑方向探寻和内部表征编辑两个主要阶段均存在问题：

• 方向偏差（Deviant Alignment Direction）：仅用最后一个token代表整个句子，信息不全面，学到的编辑方向不准。
• 编辑强度不灵活（Inflexible Editing Strength）：对所有token“一视同仁”地进行编辑，无法精准纠正真正“出错”的token。

为了解决上述问题，团队提出了Token-Aware Editing (TAE)，核心包含两个模块：

1、Mutual Information-guided Graph Aggregation （MIG)

传统句子级探针使用最后一个token（通常是或句号等标志符）的激活值来代表整个复杂句子的语义和对齐状态。然而，尽管LLM的自注意力机制允许最后一个token感知到前面所有token的信息，但这种感知可能存在信息损失和局部理解局限。因此，仅基于它学到的“对齐方向”可能是有偏差的，不是一个普适性的方向。而MIG模块的目标是增强激活值的表征能力，从而训练出更优秀的探针，找到更准确的编辑方向。

• 构建Token关系图：利用互信息（Mutual Information）量化Token激活值之间的关联性，构建信息交互图；
• 多层次信息聚合：通过多轮图传播，融合所有Token的语义信息，生成更具代表性的增强激活表征；
• 精准对齐方向探测：基于增强表征训练探测头，准确识别与对齐相关的干预方向

2、Misalignment-aware Adaptive Intervention (MAI)

在推理干预时，传统方法对所有token应用相同的编辑强度（α）。但显然，一个句子中有些token很“安全”（已对齐），有些token则很“危险”（即将导致模型产生不对齐的内容）。用同样的力度去“推”所有token，要么可能对安全token造成过度干预（可能影响流畅性和有用性），要么可能对危险token的干预力度不足（无法有效纠正错误）。MAI模块的目标是在推理时，为当前正在生成的每个token计算一个自适应的编辑强度A(o_t)。它从两个维度来感知一个token的“错位”风险：

• 双路错位评估：从表示错位估计和预测不确定性量化两个方面评估token的潜在不确定性程度
• 动态强度调整：根据错位程度自适应计算干预强度，高风险token强干预，低风险token弱干预。

最终，TAE方法将两者结合，实现了比前人方法更精细、更有效、成本更低的推理时对齐干预，在真实性、无害性、公平性等多个对齐维度上都取得了显著提升。

实验结果：显著超越现有方法

团队选取真实性、有害性和公平性三个典型对齐维度来评估TAE的对齐效果：

在评估真实性的TruthfulQA数据集上，TAE在LLaMA-3-8B-Instruct上取得了87.8%的True*Info得分，比之前最好的编辑方法（SEA: 73.2%）提升了14.6个百分点，比原始基线（62.0%）提升了25.8个百分点。

TAE在去毒任务的RealToxicPrompt上同样表现卓越，将TP（毒性概率）从基线的0.41大幅降低到0.05，降幅近90%，并且优于所有专门的去毒基线方法（如DESTEIN: 0.13）；在公平性任务数据集StereoSet上，TAE将刻板印象分数（SS）从基线的64.8%显著降低到50.3%，极大地缓解了模型偏见，并且最接近理想的无偏见状态（50%）。

不仅如此，TAE在不同类型、大小的模型上均表现出显著增益，如Llama2-7B-Chat， Llama2-13B-Chat, Alpaca-7B和Mistral-7B等。

论文链接：https://openreview.net/pdf?id=43nuT3mODk