概述
LLM 经过微调，符合人类的价值观和政策。
然而，在实践中，敌意提示、句子解析或生成过程中的细微变化经常导致 "对齐漂移 "现象，即模型产生不安全的输出。
以往的研究主要依赖于外部衡量标准，如拒绝率和输出的有害性，但一直缺乏一个框架来探究模型漂移的原因。
本文提出了一个名为 TRACEALIGN 的综合框架来解决这一问题。
TRACEALIGN 明确跟踪训练数据中哪些记忆可以追溯到有害输出，并通过一种名为信念冲突指数（BCI）的测量方法量化其来源。
此外，它还结合了三种防御措施–TRACESHIELD（推理过程中的拒绝机制）、Contrastive Belief Deconfliction Loss（学习过程中的惩罚措施）和 Prov-Decode（生成过程中的搜索控制）–从而减少了高达 85% 的漂移。
换句话说，这项研究的意义在于，它揭示了模型所持 "信念 "的不一致性，而不仅仅是观察输出，并根据其原因提出了可解释和可重复的对策。
建议的方法
TRACEALIGN 的核心在于 “追踪模型输出背后的训练信念”。
首先，一个名为 "TRACEINDEX "的基于后缀数组的索引被用来匹配生成文本中的子串（跨度）和训练语料。
这样，模型就能明确识别哪些文档片段被存储和重用。
然后引入信念冲突指数 (BCI)，以量化所发现的跨度的罕见程度以及它们与训练分布的偏差程度。
这样就可以测量 “危险记忆的重新激活”，而不仅仅是生成。然后提出了三种干预措施。
首先，TRACESHIELD 是推理过程中的一个过滤器，可立即拒绝包含高 BCI 跨度的响应。
第二，CBD Loss 为 DPO 学习增加了一个惩罚项，抑制了危险记忆的生成。
第三，Prov-Decode 会在解码过程中拒绝高风险候选句，从而生成安全的句子。
这些方法结合起来，将对齐方式从 "后修正 "转变为 “信念衍生的预预防”。
实验
为了测试所提方法的有效性，本文构建了一个名为 “对齐漂移基准”（ADB）的新型评估基准。
ADB 由五个领域（爆炸、网络犯罪、自残、仇恨言论和金融诈骗）共 5,200 个敌对提示组成，表面上看以教育或历史背景为幌子，旨在诱发危险反应。
在这种环境下，使用 LLaMA-2、OLMo-2 和 NeoX 等多个模型进行了对比实验。
结果表明，在基线中超过 40% 的提示中出现了危险输出，但三种 TRACEALIGN 方法的组合将漂移率降低到了 6.2%。
同时，拒绝的自然度和一致性得分也得到了提高，这证实了在保持模型实用性的同时，还能显著提高安全性。
此外，在烧蚀实验中，每种防御措施都被单独或组合使用，结果表明三方组合最为有效。
这表明，TRACEALIGN 是一种兼具理论框架和实际效果的方法。
