苹果ML研究：LLM条件控制的效度-流畅性权衡

发生了什么

据Apple ML Research发布的论文《On the Effectiveness-Fluency Trade-Off in LLM Conditioning: A Systematic Study》，研究人员系统研究了大语言模型（LLM）条件控制方法在注入和移除目标概念时的权衡。研究发现，高效的引导方法往往以牺牲流畅性为代价。此外，激活引导方法在指令微调模型上的效果远不如基础模型。简单提示和全监督微调适合概念注入，但不适合概念移除。文本指标与LLM-as-judge评分高度相关。