synthetic-dishonesty

本文通过微调五个Transformer模型的诚实与欺骗变体，研究大语言模型中的合成不诚实行为，发现鲁棒且域不变的不诚实表示可以通过适度的监督微调迅速固化，这对基于激活的监控具有重要意义。