跳到正文
10月8日 · 周四

全部论文

找到 3 篇
筛选1

模型自身风险

失准与价值偏离1幻觉与编造1

防御类型

模型加固1

影响

输出被操纵1

系统形态

模型与 API3

层

提示层5模型层16应用层69训练与数据层3

被测模型厂商

其他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 1049 篇还没打标签，不在筛选结果里。
层：训练与数据层清除全部

另有 1049 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 评测与基准arXiv:2610.08540 ·

    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

    模型与 API测试Pythia (14m–2.8b)、Qwen2.5 (0.5B–72B)、Qwen2.5-Instruct (0.5B–14B) 等 4 个训练与数据层
    摘要论文提出了分风险对齐标度律框架，测得真实性与倾向纠错呈标度有益，但盲后门仍存活，揭示隐藏风险的长期挑战。

    本文提出了一个将大语言模型对齐难度形式化为可测量标度关系的理论框架与预注册评测协议。

    完整解读
  3. 评测与基准arXiv:2609.08943 ·

    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

    模型与 API测试GPT-4o-mini、Gemini-2.5-flash-lite、Qwen-2.5-32B-Instruct 等 7 个训练与数据层
    摘要FAE 用多轮证据消融测接地，REAL 用对比监督让判决随证据可用性改变。

    FAE 与 REAL 分别用来测量并训练 LLM 事实核查器对所给证据的依赖，而不只看一次性的标签准确率。

    完整解读
已经到底了