一句话定义：对齐税（AI 词典：Alignment">Alignment Tax）指为了让模型更安全、更听话、更符合人类偏好，而在对齐训练中付出的能力代价——某些通用能力、回答多样性或探索性会悄悄掉一截。
这笔税从哪来
预训练（Pretraining）的目标只有一个：预测下一个词。它像一块不加筛选的海绵，什么语料都吸收，能力最大化。对齐阶段则用微调">指令微调（SFT）、基于人类反馈的强化学习（RLHF）等手段，把模型的输出分布往"人类更喜欢"的方向推。麻烦在于，"人类更喜欢"和"能力最强"并不总是同一个方向。
打个比方：一家餐厅原本什么菜都做，包括一些看着奇怪但极考验手艺的菜。为了口碑稳定、流程可控，老板把它们从菜单上撤了，只留大众接受度最高的那些。好评率上去了，真正见功夫的部分却没了。给模型加约束是同一个道理。
常见表现有：回答模板化、多样性下降（模式坍缩）、对边界问题过度拒答、为迎合用户而附和（谄媚，Sycophancy），以及在需要"冒险推理"的任务上表现下滑。
几个容易混的概念
| 概念 | 关注焦点 |
|---|---|
| 对齐税 | 对齐目标带来的能力权衡 |
| 灾难性遗忘 | 训练方式导致的能力整体退化 |
| 谄媚 | 过度对齐的一种具体副作用 |
| 安全对齐 | 是手段，对齐税是它的可能代价 |
它并非必然
对齐也可能带来"对齐红利"：指令遵循更强、更会配合、更少胡言乱语。差别在于怎么对齐——数据是否干净、是否用可验证奖励、是否把对齐数据提前纳入预训练、是否采用更省税的算法。工程上的问题从来不是"要不要对齐"，而是把税压到多低。
对从业者的意义
- 评估别只看安全指标，要在同一套能力基准上做对齐前后的对照。
- 分清是"能力掉了"还是"风格变了"——很多所谓变笨，其实只是变啰嗦。
- 安全评测和产品评测分开跑，别用一次评测得出两个结论。
对普通人的意义
你觉得某个模型"最近变笨了"，未必是错觉，也未必是厂商偷懒，很可能就是一次对齐权衡的结果。做安全总要付代价，好的团队只是把代价算清楚，并且尽量付得少。具体某个模型的能力表现与策略，以官方页面为准。