2025_NIPS_Detoxifying Large Language Models via Autoregressive Reward Guided Representation Editing

文章核心总结与翻译

一、主要内容

文章针对大型语言模型（LLMs）易生成有毒内容的问题，提出一种测试时 detoxification 框架 ARGRE（Autoregressive Reward Guided Representation Editing）。该框架通过在潜在表示空间中建模毒性转换，将稀疏毒性标注转化为密集训练信号，训练自回归奖励模型，再通过自适应两步编辑策略（方向引导+轻量级梯度优化）实现高效 detoxification。实验表明，ARGRE 在8个主流LLM上毒性降低最高达62.21%，推理时间减少47.58%，同时最小化模型核心能力损耗，还可扩展至刻板印象识别和越狱缓解任务。

二、创新点

1. 首次在表示空间中显式建模毒性转换轨迹，通过线性插值将稀疏标注转化为密集监督信号，解决现有方法干预不精准的问题。
2. 设计自回归奖励模型，在token级别提供细粒度指导，替代传统轨迹级奖励模型，提升编辑精准度。
3. 提出自适应两步编辑策略，先沿非毒性方向快速引导表示，再通过少量梯度迭代优化，平衡 detoxification 效果与推理效率。
4. 具有高数据效率和泛化性，仅需少量标注即可生效，且能适配不同规模、不同类型的LLM（包括指令微调模型）。

---

三、核心部分翻译（Markdown格式）

Abstract

大型语言模型（LLMs）在各类任务中展现出令人印象深刻的性