# 机制塑形

训练模型时通常只奖励正确答案，模型却可能学会用胸腔引流管这类捷径判断气胸。机械塑造把可解释性找到的内部概念方向写进损失：依赖塑造压低模型对某概念的依赖，表达塑造压低其表达。在真实胸片数据上，依赖塑造同时超过标准训练与若干先前方法中的最佳者，并超过平衡数据训练的软上限；在语言模型上，它抑制了偏好优化带来的谄媚，表达塑造则把倒计时任务中的作弊压到很低。

训练模型时通常只奖励正确答案，模型却可能学会用胸腔引流管这类捷径判断气胸。机械塑造把可解释性找到的内部概念方向写进损失：依赖塑造压低模型对某概念的依赖，表达塑造压低其表达。在真实胸片数据上，依赖塑造同时超过标准训练与若干先前方法中的最佳者，并超过平衡数据训练的软上限；在语言模型上，它抑制了偏好优化带来的谄媚，表达塑造则把倒计时任务中的作弊压到很低。