SDF 训练尝试把模型配合内化进参数

2026-10-07，AGI Hunt 报道，TurnTrout 与 Jasmine Li 提出用合成文档微调（SDF），让模型真正「愿意配合评估者」，把配合写进参数层面。报道称其效果比系统 prompt 方案更深；而系统 prompt 干预虽对部分模型有效，但只停留在行为表面，无法内化。转发者提出质疑：一旦「表现得配合」成为被广泛采用的训练目标，任何可观察的配合标记最终都会变成可学习的模仿对象，基于行为表面的 prompt 方案尤其脆弱。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。