Vered Shwartz 等新论文用价值表征预测对齐泛化，构建首个基于泛化动态的 LLM 价值分类学

Vered Shwartz 等人的新论文《Predicting Alignment Generalization with Value Representations》研究价值对齐的下游效应能否被提前预测，并用价值表征构建了首个基于泛化动态、扎根于实证的 LLM 价值分类学。论文展示了如何最优地表示价值观并预测跨价值的泛化，试图让价值对齐不再靠猜测。