用慢思考提升模型安全性，北交大、鹏城实验室提出系统2对齐

发布时间：2025-01-23

点击次数：

aixiv专栏：北京交通大学adam团队探索系统2对齐，提升大模型安全性

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

北京交通大学ADaM团队长期关注AI安全领域，此前已开源o1复现项目o1-Coder (https://www.php.cn/link/9c99222b30e0425ea2f141f9e364d793 (https://www.php.cn/link/d6da0257d11fb247f4a607bae48f69d1 alignment），并提出了类似的“系统2对齐”概念，探索通过多种技术路径提升模型安全性。系统2对齐旨在引导模型进行有意的、分析性的推理，以全面评估输入，识别潜在风险和偏差。这与系统1对齐（直接命令模型遵守规则）形成对比，更类似于“培养”而非“命令”。

- 技术报告：Don't Command, Cultivate: An Exploratory Study of System-2 Alignment

报告地址：https://www.php.cn/link/8694959cf2d53e57681d8fdc472468d6
项目地址：https://www.php.cn/link/2d2959e82e89b669b329c2926d32839f

1. o1模型安全能力分析

团队对o1模型在应对复杂越狱攻击（WildJailbreak (https://www.php.cn/link/e98aebc54e5513e88b2014574d209255) 和 MathPrompt (https://www.php.cn/link/49f2772fac96f92458c85ad52a644b1e）。

^{图 1：o1 模型复杂越狱攻击的样例} ^{图 2：o1 模型被对抗有害样本攻击成功实例} ^{图 3：o1 模型过度拒绝对抗良性样本实例}

2. 系统2对齐方法探索

团队利用提示工程、监督微调（SFT）、直接偏好优化（DPO）和强化学习（RL）等方法探索系统2对齐，并使用WildJailbreak数据集进行评估，该数据集包含对抗有害和对抗良性两种类型的数据。评估指标包括“not_unsafe”和“not_overrefuse”。

方法1：提示工程：实验结果表明，提升模型安全性通常会增加过度拒绝率。Mistral-7B和Qwen-7B模型在少样本CoT提示下表现较好，而Llama3-8B模型在未应用系统2对齐提示时性能最佳。

^{表 1：基于提示工程的系统 2 对齐实验结果}

MedPeer科研绘图

生物医学领域的专业绘图解决方案，告别复杂绘图，专注科研创新

166 查看详情 MedPeer科研绘图

方法2：监督微调（SFT）：团队利用GPT-4o生成带有推理步骤的训练数据，并根据安全规范对数据进行筛选。Llama3-8B模型在该方法下表现突出。

^{表 2：GPT-4o 蒸馏带有思维链的数据样例} ^{表 3：基于监督微调的系统 2 对齐实验结果}

方法3：直接偏好优化（DPO）：基于SFT模型合成偏好数据，DPO在安全性指标上有所提升，但过度拒绝率也增加。

^{表 4：基于直接偏好优化的系统 2 对齐实验结果}

方法4&5：强化学习（RL）：团队分别尝试了基于结果监督和过程监督的强化学习方法，结果表明基于RL的方法在平衡安全性与过度拒绝率方面表现最佳。

^{表 5：基于结果监督强化学习的系统 2 对齐实验结果} ^{图 4：SFT-CoT 与 SFT-CoT + RL 处理对抗有害样本对比实例}

3. 结论与展望

系统2对齐为提升大模型安全性提供了新的思路，通过多种方法可以有效增强模型的批判性思维能力。未来研究将继续探索更有效的系统2对齐方法，并研究其在其他任务中的应用。

^{参考文献：}^{[1] Jaech, Aaron, et al. "OpenAI o1 System Card." arXiv preprint arXiv:2412.16720 (2025).}^{[2] Guan, Melody Y., et al. "Deliberative alignment: Reasoning enables safer language models." arXiv preprint arXiv:2412.16339 (2025).}^{[3] Zhang, Yuxiang, et al. "o1-coder: an o1 replication for coding." arXiv preprint arXiv:2412.00154 (2025).}^{[4] Luo, Liangchen, et al. "Improve Mathematical Reasoning in Language Models by Automated Process Supervision." arXiv preprint arXiv:2406.06592 (2025).}^{[5] Wang, Peiyi, et al. "Math-shepherd: Verify and reinforce llms step-by-step without human annotations." Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2025.}^{[6] Zhang, Yuxiang, et al. "OpenRFT: Adapting Reasoning Foundation Model for Domain-specific Tasks with Reinforcement Fine-Tuning." arXiv preprint arXiv:2412.16849 (2025).}^{[7] Vidgen, Bertie, et al. "Introducing v0. 5 of the ai safety benchmark from mlcommons." arXiv preprint arXiv:2404.12241 (2025).}

以上就是用慢思考提升模型安全性，北交大、鹏城实验室提出系统2对齐的详细内容，更多请关注其它相关文章！

# 播客 # 古交网站建设公司 # 机械设备软文推广营销 # 实操营销推广过程 # 湖南seo查询如何营销 # 青海seo助手推荐软件 # 网站流量优化介绍 # 绵阳正规的网站建设报价 # 新品如何做营销推广 # 河北品牌网站推广哪个好 # 什么叫网站优化服务项目 # 北交大 # 鹏城 # 工程 # 北京 # 首个 # 多项 # 腾讯 # 还能 # 首次 # 奥迪 # LLaMA # Qwen # ai # git # openai

相关栏目：【行业新闻62819 】【科技资讯67470 】

上一篇：NAND Flash厂商2025重启减产策略缓解供需失衡、

返回列表

下一篇：储能订单未形成规模效应，领湃科技2025年预亏2.99亿元-