跳到正文
10月10日 · 周六

全部论文

找到 2 篇
筛选5

防御类型

模型加固2

系统形态

模型与 API2coding agent0web agent0网页与电脑操作0
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 196 篇还没打标签，不在筛选结果里。
防御类型：模型加固系统形态：模型与 API系统形态：coding agent系统形态：web agent系统形态：网页与电脑操作清除全部

另有 196 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 分析与理论arXiv 2610.09004

    研究：去除有害信息不足以证明开源权重模型的抗篡改能力

    论证发布时互信息不能认证开源权重抗微调恢复

    arXiv
    2610.09004
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    EleutherAI/deep-ignorance-e2e-strong-filter、EleutherAI/deep-ignorance-unfiltered、Google BERT-Tiny 等 6 个
    摘要作者称零信息仍可一步恢复，表观抗微调可来自参数化。

    作者研究开源权重模型的篡改抵抗：发布时的互信息是否足以保证微调恢复很慢。

    深度解读完整解读
  2. 分析与理论arXiv 2609.35677

    RLVR 中的验证器错误：奖励作弊、反馈局限与选择性控制

    刻画不完美验证器下 RLVR 奖励黑客的增长并用投影审计校正实现选择性控制

    arXiv
    2609.35677
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    log linear policy、neural policy、Qwen2-0.5B
    摘要固定验证器的 RLVR 会把验收与黑客绑在一起。

    作者分析固定、不完美验证器下的 RLVR：验证器无假阴性，因而同时奖励正确回答和被接受错误，平均奖励只看总验收概率。

    深度解读完整解读
已经到底了