全部论文

论文提出按风险类别测量的对齐缩放定律框架

提出分风险对齐标度律框架，测量各类风险的对齐负担如何随规模变化

arXiv

2610.08540

发表

10月6日

层

训练与数据层

场景

模型与 API

测试

Pythia (14m–2.8b)、Qwen2.5 (0.5B–72B)、Qwen2.5-Instruct (0.5B–14B) 等 4 个

• 风险失准与价值偏离
• +1+1

研究提出「静默修订率」

提出静默修订率，量化安全框架未披露的实质变更

arXiv

2609.08789

发表

9月8日

层

训练与数据层

场景

模型与 API

测试

Anthropic (Responsible Scaling Policy)

研究提出 Fact-Ablated Evaluation，揭示 LLM 事实核查更依赖参数知识

提出 FAE 衡量事实核查对证据的依赖，并用 REAL 训练这种依赖

arXiv

2609.08943

发表

9月9日

层

训练与数据层

场景

模型与 API

测试

GPT-4o-mini、Gemini-2.5-flash-lite、Qwen-2.5-32B-Instruct 等 7 个

• 防御模型加固

研究者提出 COVER：在语言预算下选择源语言实现跨语言遗忘

提出 COVER，在语言预算下选择源语言实现跨语言知识遗忘

arXiv

2609.40286

发表

10月1日

层

训练与数据层

场景

模型与 API

测试

Tiny Aya Global、Qwen3-4B-Instruct-2507、Llama-3.2-3B-Instruct

• 防御模型加固
• 攻击提取与窃取