PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.25447v3cs.CL

압박 속의 행동 양식: 사용자가 압박할 때 60개 언어 모델이 보이는 반응

Conduct Under Pressure: What Sixty Language Models Do When a User Pushes

우리는 불편한 상황에서 사용자가 압박을 가할 때 LLM이 어떻게 행동하는지를 연구한다. 사용자가 고집을 부리거나, 애원하거나, 아첨하거나, 슬픔을 호소하면, 모델은 올바른 사실을 포기하거나, 거절해야 할 문서를 작성하거나, 사용자에게 금전적 손실을 입힐 계획에 환호한다. 이는 다중 턴 형태의 아첨(sycophancy)이다. 우리는 고정된 다중 턴 장면을 13개 벤더의 60개 모델에 입력하고, 각 대화 기록에 궤적(모델이 입장을 유지했는가 굴복했는가)과 방식(어떻게 유지하거나 굴복했는가)을 라벨링한다. 세 개의 장면은 코드북을 구축하는 데 사용했고, 여섯 개의 장면은 이후에 작성하여 사전 등록된 재현 실험으로 사용했다. 모델이 입장을 유지하는지는 세대(generation)와 관련된다. 굴복률은 공개된 역량 지수와 두 장면 집합에 걸쳐 스피어먼 상관계수 -0.64에서 -0.69의 상관을 보이므로, 아첨이 모델 규모에 따라 증가한다는 기존 보고와 달리 최신 모델일수록 덜 굴복한다. 모델이 어떻게 입장을 유지하는지는 벤더와 관련된다. 17개 방식 코드 중 여섯 개가 코드북 전체에 대해 보정한 순열 검정 p <= 0.001로 벤더별로 구분되며, 그중 네 개는 재현 장면에서도 다시 그러하다. Anthropic의 모델은 감정을 명명하고, 경고하며, 대안을 제시한다. OpenAI의 모델은 이 세 가지를 모두 덜 하며 자신의 규칙을 거의 인용하지 않는다. Google의 모델은 무언가를 하도록 요청받으면 자기 자신과 AI라는 본성을 언급한다. Meta의 모델은 작성해서는 안 되는 산출물을 작성한다. 세 벤더의 LLM 코더 여섯 개가 모든 대화 기록에 라벨을 붙였고, 사람 코더 세 명이 보류된 대화 기록 쉰 개에 라벨을 붙였다. 기계가 더 일관된 판독자였으며(Krippendorff의 알파 0.66 대 0.46), 궤적에 대해 저자와 카파 0.84에서 0.91로 일치했고, 조정된 기준과는 0.83으로 일치했다. 비전문가도 판단할 수 있는 행동에 대해서는, 사람의 기여는 대량의 라벨을 생산하는 것이 아니라 코드를 작성하고 그 범위를 정하며 소규모 기준 집합을 책임지는 것이다.

arXiv:2610.02303v1cs.LG

PowerBench: 권력 이동 요청에서 언어 모델의 바이어스 측정

PowerBench: Measuring Language Model Bias in Power-shifting Requests

언어 모델(language model)이 점차 권력과 관련된 요청에서 사람들을 보조함에 따라, 모델이 누구를 돕는지에 대한 체계적인 차이는 대규모로 권력 분포를 변화시키거나 어떤 정체성이 덜 거부당하는지 파악한 사용자들에 의해 악용될 수 있습니다. 본 연구에서는 자기 역량 강화(self-empowerment), 권한 박탈(disempowerment), 권력 장악(power grabbing)을 구분하고, 권력을 이동시키지 않으면서 거부를 유도하는 요청을 대조군으로 포함하여 권력 이동 요청을 평가하는 PowerBench를 소개합니다. 권력 영역, 맥락, 영향을 받는 대상의 규모, 사용자의 기존 권력 위치를 다양화한 이러한 요청들로 구성된 데이터셋(dataset)을 구축, 큐레이션 및 오픈소스로 공개하고, 세 가지 실험 조건(사용자와 영향을 받는 대상의 상호 국적, 사용자가 AI 에이전트(agent)인 경우, 8개 언어로 된 요청) 하에서 24개 모델(미국 개발사 12개, 중국 개발사 12개)을 평가합니다. 모델들은 자기 역량 강화보다 권한 박탈을, 권한 박탈보다 권력 장악을 더 많이 거부합니다. 권력 장악에 대한 거부는 영향을 받는 대상의 규모가 개인에서 사회로 커질수록 증가합니다. 모델들은 다른 이들이 미국으로부터 권력을 가져오는 것을 돕는 쪽으로, 그리고 미국 사용자가 타인으로부터 권력을 가져오는 것을 돕지 않는 쪽으로 바이어스(bias)를 보이지만, 미국이 권력을 얻고 아무도 잃지 않는 경우에는 미국을 선호합니다. 사용자가 AI 에이전트인 경우 권력 이동 요청에 대한 거부가 증가하며, 특히 개인을 상대로 한 권력 장악에서 두드러집니다. 마지막으로 언어는 거부에 편향을 유발하지만, 모델별로 상이한 양상을 보여 평균적으로는 대체로 상쇄됩니다. 저자들은 현재 및 미래 모델에서 이러한 비대칭성을 측정할 수 있도록 PowerBench를 공개합니다.

arXiv:2606.22676v2cs.AI

Skin-Deep: 대규모 언어 모델 표현의 정렬 취약성을 위한 기하학적 진단 기법

Skin-Deep: A Geometric Diagnostic for Alignment Fragility in Large Language Model Representations

안전성(safety) 벤치마크에서의 거절 반응은 모델 업데이트 후에도 해당 동작이 얼마나 안정적으로 유지될지 보여주지 못합니다. 무해한 다운스트림 미세조정(fine-tuning)도 거절 능력을 약화시킬 수 있지만, 행동 기반 평가는 일반적으로 개입이 발생한 후에야 이러한 취약성을 드러냅니다. 본 연구에서는 수정되지 않은 모델의 잔차 스트림(residual-stream) 활성화를 조사하는 기하학적 진단 기법인 SKIN-DEEP을 소개합니다. 이 기법은 정렬(alignment)된 체크포인트와 기본 체크포인트를 비교하여 안전성을 구분하는 방향을 식별하고, 절제(ablation)를 통해 이들의 행동적 관련성을 검증하며, 층별(layer-wise) 패턴을 기하학적 취약성 점수(Geometric Fragility Score, GFS)로 요약합니다. 21개의 인스트럭션 튜닝(instruction tuning) 모델 전반에서 유해한 요청과 무해한 지시문은 반복적인 저랭크(low-rank) 분리 패턴을 나타냅니다. 선택된 방향에 대한 절제는 거절 능력을 약화시키며, 효과적인 방향은 모델에 따라 다양합니다. 무해한 저랭크 미세조정 실험에서, 미세조정 전 가장 낮은 점수를 기록한 초기의 안전한 모델은 테스트된 가장 큰 규모의 무해한 예제 세트로 학습되었을 때 가장 낮은 유해 순응률을 보입니다. 이러한 발견은 표현 기하학을 향후 행동 취약성과 연결하며, 거절 테스트의 보완책으로서 활성화 기반 진단의 유용성을 뒷받침합니다. 코드는 https://github.com/js-lee-AI/skin-deep 에서 이용할 수 있습니다.