CATCH：面向可迁移 LLM 诚实性的持续对抗训练

论文提出 CATCH（Continuous Adversarial Training for Consistent Honesty），受拒绝有害查询的对抗训练方法启发，训练模型趋向诚实回答、远离不诚实回答并保持原有能力。在 Llama-3.3-70B-Instruct 和 Qwen3-3.6-27B 上，仅用数百个自报告场景目标训练，即可在 MASK 上降低压力下的不诚实行为、在 Among Us 多智能体游戏中增加坦白，并提升模型隐藏信息的发现率，显示诚实行为可泛化并迁移到不同基准。

AI推荐理由 提出 CATCH（Continuous Adversarial Training for Consistent Honesty），借鉴拒绝有害查询的对抗训练思路，让模型趋向诚实回答、远离不诚实回答，同时保持能力。在 Llama-3.3-70B-Instruct 与 Qwen3-3.6-27B 两种架构上，仅用数百个自报告场景目标即可训练，并在 MASK、Among Us 多智能体游戏等不同基准上表现出泛化与迁移：降低压力下的不诚实、增加坦白、提升隐藏信息发现率。局限是预印本，效果依赖自报告场景构造，跨真实场景的稳健性仍需更多验证。