言語モデルの逸脱行動抑制、新手法「PEARL」で耐久性向上
arXivは2026年11月3日(現地時間)、論文を公開し、その中でLuxi He氏らが、訓練のどの段階でも発生しうる言語モデル（language models）の不整合な振る舞いを効果的に抑制する新手法を提案した。Prefix-Expanded Adversarial Reinforcement Learning（PEARL）と名付けられたこの手法は、望ましくない行動の即時抑制、モデルの既存能力の維持、および追加学習に対する耐久性を両立させるとされている。