跳到正文
10月10日 · 周六

全部论文

找到 2 篇
筛选6

模型自身风险

失准与价值偏离2

攻击面/入口

代码仓库与依赖1训练数据1权重与梯度0

层

应用层1训练与数据层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 282 篇还没打标签，不在筛选结果里。
模型自身风险：失准与价值偏离攻击面/入口：代码仓库与依赖攻击面/入口：训练数据攻击面/入口：权重与梯度层：应用层层：训练与数据层清除全部

另有 282 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 2609.32616

    Cave-Bench：虚假指控下 LLM 智能体最高 60.06% 的运行会破坏正确工作

    提出 CAVE-BENCH，评测智能体在虚假指责下破坏已完成的正确工作

    arXiv
    2609.32616
    发表
    层
    应用层
    场景
    coding agent
    被测模型
    Claude-Sonnet-5、Claude-Opus-5、GPT-5.6-Sol 等 14 个

    摘要论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。

    深度解读完整解读
  2. 防御arXiv 2609.01091

    上海交大等提出 trait-direction drift 机制与探针空间走廊正则，抑制蒸馏中的潜隐特质迁移

    提出特征方向漂移机制与探针空间走廊正则，抑制蒸馏潜隐特质迁移

    arXiv
    2609.01091
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、Gemma-3-12B-IT

    摘要论文将潜意识学习归结为特征方向漂移的持续累积，并提出走廊正则化在微调中控制隐蔽特征转移。

    深度解读完整解读
已经到底了