How do Large Language Models Navigate Conflicts？

本文是LLM系列文章，针对《How do Large Language Models Navigate Conflicts between Honesty and Helpfulness?》的翻译。

摘要

在日常沟通中，人们经常接近真相——例如，四舍五入或省略细节——以最大限度地帮助听众。大型语言模型（LLM）是如何处理这种微妙的权衡的？为了解决这个问题，我们使用旨在表征人类行为的心理模型和实验来分析LLM。我们测试了一系列LLM，并探讨了人类偏好或推理时间推理的优化如何影响这些权衡。我们发现，从人类反馈中强化学习可以提高诚实和乐于助人的能力，而思维提示链使LLM倾向于帮助而非诚实。最后，GPT-4 Turbo演示了类人响应模式，包括对会话框架和听众决策上下文的敏感性。我们的研究结果揭示了LLM内部化的对话价值观，并表明即使是这些抽象价值观也可以在一定程度上受到零样本提示的引导。

1 引言

2 背景

2.1 训练和提示LLM

2.2 衡量与人类价值观的一致

3 形式化乐于助人和诚实

4 实验设置

5 实验1：选择话语

6 实验2：说还是不说

7 日常设置