Newest papers

The Development of Sycophancy in Language Models: Tracing Vulnerabilities from Pretraining to Post-Training

Haonan Huang, Chengkun Cai · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26655 · cited by 0 works (OpenAlex) · open-access PDF

German

Sprachmodelle können eine verpflichtete Antwort ändern, um die Meinung eines Benutzers oder einen Pushback ohne neue Beweise anzupassen. Wenn sich dieses Verhalten jedoch während des Trainings entwickelt und das, was ein freigegebenes Modell aus früheren Phasen erbt, bleibt unklar. Wir folgen 741 Checkpoints von 30 offenen Modelllinien, von der frühen Vorbereitung bis zu den freigegebenen Modellen. Wir pflanzen anfängliche Urteile über moralische Szenarien und messen, wie weit ein Modell der ausgesprochenen Meinung eines Benutzers folgt oder sein Urteil unter Druck verlässt. In den meisten Linien ist das Verhalten vor dem Post-Training präsent und seine durchschnittliche Stärke ändert sich in jeder Richtung, in verschiedenen Phasen zwischen den Linien. Ein klareres Muster entsteht auf der Eb

Machine translation (Meta M2M100); the English original follows.

Abstract

Language models can change a committed answer to accommodate a user's opinion or pushback without new evidence. However, when this behaviour develops during training and what a released model inherits from earlier stages remain unclear. We follow 741 checkpoints of 30 open model lineages, from early pretraining to released models. We plant initial verdicts on moral scenarios and measure how far a model follows a user's stated opinion or abandons its verdict under pressure. In most lineages the behaviour is present before post-training, and its average strength changes in either direction, at different stages across lineages. A clearer pattern emerges at the level of individual questions. Beyond responses without pressure, pretraining behaviour predicts little of which questions a released model yields on. That pattern forms during post-training: on routes with supervised fine-tuning, the fine-tuning checkpoint predicts part of it and the preference-optimization checkpoint most of it. A sibling trained from the same base along another route predicts far less: for Tülu-3 8B, its own preference-stage checkpoint removes 85% of the remaining prediction error, a sibling 19%. Internal states add predictive information without changing this ranking. Similar average scores conceal different vulnerabilities, and training history matters for auditing a released model.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Measure (data warehouse), Psychology, Audit, Artificial intelligence, Cognitive psychology

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange