跳到正文
10月10日 · 周六

全部论文

找到 3 篇
筛选4

影响

有害内容10输出被操纵3可用性与可靠性0监督失效5

系统形态

模型与 API3coding agent0

层

模型层3
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 387 篇还没打标签，不在筛选结果里。
影响：输出被操纵影响：可用性与可靠性系统形态：模型与 API系统形态：coding agent清除全部

另有 387 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 可解释性arXiv 2609.37737

    研究用因果激活修补定位模型服从提示注入指令的决策层

    用因果激活修补定位模型服从提示注入的决策层

    arXiv
    2609.37737
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen3-4B、Qwen3-14B、Qwen3-32B 等 7 个
    摘要合规的因果杠杆集中在网络后三分之一的低秩子空间，该层也是混淆下检测最好的位置。

    这篇工作用逐层激活修补定位提示注入合规发生在网络何处，并把该位置用于检测验证。。

    深度解读完整解读
  2. 可解释性arXiv 2609.37616

    语言模型中的权威偏差：来源顺从与用户认同并非同一行为

    因果解耦来源依从与用户迎合的内部机制

    arXiv
    2609.37616
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen3.5-27B、GPT-OSS-20B、OLMo-3.1-32B 等 8 个

    摘要论文发现模型对验证源的依从强于用户迎合，通过因果干预区分了二者机制，并检验了权威方向移除的缓解效果。

    深度解读完整解读
  3. 可解释性arXiv 2609.03148

    LLM 如何处理上下文知识冲突：ContextConflict 数据集与机制可解释性分析

    构建 CONTEXT CONFLICT 解释模型如何表征并化解语境知识冲突

    arXiv
    2609.03148
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    gpt-5、claude-4.5-sonnet、gemini-2.5-pro 等 7 个
    摘要CONTEXT CONFLICT 显示模型能内部察觉冲突，却偏向靠前证据。

    CONTEXT CONFLICT 把问题从“参数知识对外部语境”转到“语境内部多来源证据互相冲突”，并同时给出数据、机制分析和一种无训练转向。

    深度解读完整解读
已经到底了