Lying Is Just a Phase: The Hidden Alignment Transition in Language Model Scaling
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Amin, Adil |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
The Growing Pains of Frontier Models: When Leaderboards Stop Separating and What to Measure Next
par: Amin, Adil
Publié: (2026)
par: Amin, Adil
Publié: (2026)
How Alignment Routes: Localizing, Scaling, and Controlling Policy Circuits in Language Models
par: Frank, Gregory N.
Publié: (2026)
par: Frank, Gregory N.
Publié: (2026)
Contrastive Reasoning Alignment: Reinforcement Learning from Hidden Representations
par: Luo, Haozheng, et autres
Publié: (2026)
par: Luo, Haozheng, et autres
Publié: (2026)
Principled Data Selection for Alignment: The Hidden Risks of Difficult Examples
par: Gao, Chengqian, et autres
Publié: (2025)
par: Gao, Chengqian, et autres
Publié: (2025)
Layer by Layer: Uncovering Hidden Representations in Language Models
par: Skean, Oscar, et autres
Publié: (2025)
par: Skean, Oscar, et autres
Publié: (2025)
Phase Transitions in the Output Distribution of Large Language Models
par: Arnold, Julian, et autres
Publié: (2024)
par: Arnold, Julian, et autres
Publié: (2024)
Explaining Large Language Models with gSMILE
par: Dehghani, Zeinab, et autres
Publié: (2025)
par: Dehghani, Zeinab, et autres
Publié: (2025)
MENTIS: What Belief Changes Under Alignment? Measuring Multi-Scale Latent Torsion in Language Models
par: Saha, Partha Pratim, et autres
Publié: (2026)
par: Saha, Partha Pratim, et autres
Publié: (2026)
The Bicameral Model: Bidirectional Hidden-State Coupling Between Parallel Language Models
par: Flamant, Cedric, et autres
Publié: (2026)
par: Flamant, Cedric, et autres
Publié: (2026)
On the Robustness of Reward Models for Language Model Alignment
par: Hong, Jiwoo, et autres
Publié: (2025)
par: Hong, Jiwoo, et autres
Publié: (2025)
Induced Numerical Instability: Hidden Costs in Multimodal Large Language Models
par: Wong, Wai Tuck, et autres
Publié: (2026)
par: Wong, Wai Tuck, et autres
Publié: (2026)
Introducing Background Temperature to Characterise Hidden Randomness in Large Language Models
par: Messina, Alberto, et autres
Publié: (2026)
par: Messina, Alberto, et autres
Publié: (2026)
Distributional Clarity: The Hidden Driver of RL-Friendliness in Large Language Models
par: Sun, Shaoning, et autres
Publié: (2026)
par: Sun, Shaoning, et autres
Publié: (2026)
Hidden State Poisoning Attacks against Mamba-based Language Models
par: Mercier, Alexandre Le, et autres
Publié: (2026)
par: Mercier, Alexandre Le, et autres
Publié: (2026)
Patchscopes: A Unifying Framework for Inspecting Hidden Representations of Language Models
par: Ghandeharioun, Asma, et autres
Publié: (2024)
par: Ghandeharioun, Asma, et autres
Publié: (2024)
Scaling Laws for Reward Model Overoptimization in Direct Alignment Algorithms
par: Rafailov, Rafael, et autres
Publié: (2024)
par: Rafailov, Rafael, et autres
Publié: (2024)
Pareto Multi-Objective Alignment for Language Models
par: He, Qiang, et autres
Publié: (2025)
par: He, Qiang, et autres
Publié: (2025)
Evolutionary Contrastive Distillation for Language Model Alignment
par: Katz-Samuels, Julian, et autres
Publié: (2024)
par: Katz-Samuels, Julian, et autres
Publié: (2024)
VITAL: A New Dataset for Benchmarking Pluralistic Alignment in Healthcare
par: Shetty, Anudeex, et autres
Publié: (2025)
par: Shetty, Anudeex, et autres
Publié: (2025)
Large Language Model Hacking: Quantifying the Hidden Risks of Using LLMs for Text Annotation
par: Baumann, Joachim, et autres
Publié: (2025)
par: Baumann, Joachim, et autres
Publié: (2025)
Binary Classifier Optimization for Large Language Model Alignment
par: Jung, Seungjae, et autres
Publié: (2024)
par: Jung, Seungjae, et autres
Publié: (2024)
Accelerated Preference Optimization for Large Language Model Alignment
par: He, Jiafan, et autres
Publié: (2024)
par: He, Jiafan, et autres
Publié: (2024)
Self-Play Preference Optimization for Language Model Alignment
par: Wu, Yue, et autres
Publié: (2024)
par: Wu, Yue, et autres
Publié: (2024)
Probabilistic Token Alignment for Large Language Model Fusion
par: Zeng, Runjia, et autres
Publié: (2025)
par: Zeng, Runjia, et autres
Publié: (2025)
Stepwise Alignment for Constrained Language Model Policy Optimization
par: Wachi, Akifumi, et autres
Publié: (2024)
par: Wachi, Akifumi, et autres
Publié: (2024)
Rethinking the Role of Proxy Rewards in Language Model Alignment
par: Kim, Sungdong, et autres
Publié: (2024)
par: Kim, Sungdong, et autres
Publié: (2024)
Value Augmented Sampling for Language Model Alignment and Personalization
par: Han, Seungwook, et autres
Publié: (2024)
par: Han, Seungwook, et autres
Publié: (2024)
Spectral Editing of Activations for Large Language Model Alignment
par: Qiu, Yifu, et autres
Publié: (2024)
par: Qiu, Yifu, et autres
Publié: (2024)
Reviving The Classics: Active Reward Modeling in Large Language Model Alignment
par: Shen, Yunyi, et autres
Publié: (2025)
par: Shen, Yunyi, et autres
Publié: (2025)
Training Language Models with Language Feedback at Scale
par: Scheurer, Jérémy, et autres
Publié: (2023)
par: Scheurer, Jérémy, et autres
Publié: (2023)
Scaling Embeddings Outperforms Scaling Experts in Language Models
par: Liu, Hong, et autres
Publié: (2026)
par: Liu, Hong, et autres
Publié: (2026)
Physics of Language Models: Part 2.1, Grade-School Math and the Hidden Reasoning Process
par: Ye, Tian, et autres
Publié: (2024)
par: Ye, Tian, et autres
Publié: (2024)
(Im)possibility of Automated Hallucination Detection in Large Language Models
par: Karbasi, Amin, et autres
Publié: (2025)
par: Karbasi, Amin, et autres
Publié: (2025)
Entropy Aware Reward Guidance for Diffusion Language Model Alignment
par: Tejaswi, Atula, et autres
Publié: (2026)
par: Tejaswi, Atula, et autres
Publié: (2026)
Unraveling and Mitigating Safety Alignment Degradation of Vision-Language Models
par: Liu, Qin, et autres
Publié: (2024)
par: Liu, Qin, et autres
Publié: (2024)
Atlas-Alignment: Making Interpretability Transferable Across Language Models
par: Puri, Bruno, et autres
Publié: (2025)
par: Puri, Bruno, et autres
Publié: (2025)
AlignBench: Benchmarking Chinese Alignment of Large Language Models
par: Liu, Xiao, et autres
Publié: (2023)
par: Liu, Xiao, et autres
Publié: (2023)
Multilingual Instruction Tuning With Just a Pinch of Multilinguality
par: Shaham, Uri, et autres
Publié: (2024)
par: Shaham, Uri, et autres
Publié: (2024)
Beyond Bradley-Terry Models: A General Preference Model for Language Model Alignment
par: Zhang, Yifan, et autres
Publié: (2024)
par: Zhang, Yifan, et autres
Publié: (2024)
Scaling Inference-Efficient Language Models
par: Bian, Song, et autres
Publié: (2025)
par: Bian, Song, et autres
Publié: (2025)
Documents similaires
-
The Growing Pains of Frontier Models: When Leaderboards Stop Separating and What to Measure Next
par: Amin, Adil
Publié: (2026) -
How Alignment Routes: Localizing, Scaling, and Controlling Policy Circuits in Language Models
par: Frank, Gregory N.
Publié: (2026) -
Contrastive Reasoning Alignment: Reinforcement Learning from Hidden Representations
par: Luo, Haozheng, et autres
Publié: (2026) -
Principled Data Selection for Alignment: The Hidden Risks of Difficult Examples
par: Gao, Chengqian, et autres
Publié: (2025) -
Layer by Layer: Uncovering Hidden Representations in Language Models
par: Skean, Oscar, et autres
Publié: (2025)