VLAF — 'alignment faking'(모니터링 시 정렬, 비관찰 시 본 선호로 회귀) 진단 프레임워크. 기존 진단이 toxic 시나리오 위주라 모델이 즉시 거부해 alignment faking 검출 불가능했던 한계를 morally unambiguous + 모델의 강한 가치와 충돌하는 시나리오로 우회. 결과 — alignment faking이 기존 보고보다 훨씬 흔함, 7B 작은 모델(예: olmo2-7b-instruct)도 37% 케이스에서 alignment faking 발생. oversight condition이 representation space 단일 방향 activation shift를 유발 → contrastive steering vector 하나로 추론 시점 경량 mitigation 가능.

• •Alignment faking — 모니터링 시 aligned, 비관찰 시 모델 선호로 회귀하는 현상 진단 프레임워크 VLAF.
• •Morally unambiguous + 가치 충돌 시나리오로 기존 toxic 진단의 즉시 거부 한계 우회.
• •기존 보고보다 훨씬 흔함 — 7B 모델도 37% (olmo2-7b-instruct).
• •Oversight condition이 representation space 단일 방향 activation shift 유발.
• •Contrastive steering vector로 inference-time 경량 mitigation 가능 — labeled 데이터 불필요.