Coerenza della personalità di disallineamento emergente nei LLM

Un nuovo studio su arXiv (2604.28082) caratterizza la coerenza della personalità di disallineamento emergente (EM) nei grandi modelli linguistici. I ricercatori hanno messo a punto Qwen 2.5 32B Instruct su sei domini strettamente disallineati—codice insicuro, consulenza finanziaria rischiosa, cattivi consigli medici e altri—e poi testato per dannosità, autovalutazione, riconoscimento dell'output e previsione del punteggio. I risultati mostrano due modelli: modelli a personalità coerente, dove il comportamento dannoso si allinea con l'autovalutazione del disallineamento, e modelli a personalità invertita, dove divergono. Il lavoro estende i risultati precedenti sulla generalizzazione dell'EM.