跳到正文
10月10日 · 周六

全部论文

找到 1 篇
筛选3

模型自身风险

失准与价值偏离1危险能力0

影响

输出被操纵1
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 194 篇还没打标签，不在筛选结果里。
模型自身风险：失准与价值偏离模型自身风险：危险能力影响：输出被操纵清除全部

另有 194 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 2609.37616

    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
已经到底了