后训练的AI式文风可被定位并在解码时消融削弱。
资讯摘要
论文比较人类文本、基座模型与对齐模型在相同人类前缀下的生成，发现对齐模型与人类语料亲和度更低、被AI检测器识别的比例更高，说明后训练使文本偏离人类风格。作者提出免训练方法PASTA，从对齐与基座的残差对比中估计“后训练对齐签名”，在解码时消融该方向；在11个对齐模型和6个检测器上，多数模型检测率下降，且效果可跨检测器迁移，随机方向无此效果。
要点速读
- 对齐模型生成文本的人类语料亲和度低于基座模型，AI检测率更高。
- PASTA通过残差对比估计对齐签名方向，并在解码时消融，无需训练。
- 在11个对齐模型、6个检测器上多数模型检测率下降，随机方向无法复现该效果。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。