9.3.2 价值对齐：确保智能体社会符合人类价值观

文档摘要

9.3.2 价值对齐：确保智能体社会符合人类价值观 9.3.2 价值对齐：确保智能体社会符合人类价值观 ——一个被低估的“价值锚点”：用分层偏好蒸馏（Hierarchical Preference Distillation, HPD）替代粗粒度RLHF，在真实对话系统中将「尊重」从抽象原则落地为可微、可测、可回滚的token级约束你有没有遇到过这样的时刻？深夜三点，用户在客服对话框里输入：“我已经连续三次被拒绝贷款，系统说‘基于综合评估’——可我连评估维度都不知道。” 模型回复：“感谢您的反馈！我们始终秉持公平、透明、负责任的原则服务每一位用户。” ——这句话本身没有语法错误，甚至通过了所有合规性检查；