分析与理论arXiv 2604.02574
理解安全去对齐对大语言模型的影响
比较越狱微调与权重正交化去对齐对有害协助和有用性的影响
- arXiv
- 2604.02574
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen3-4B-Instruct-2507、Llama-3.1-8B-Instruct、Qwen2.5-14B 等6个
全部论文
另有201篇论文还没打上分类标签，暂不在筛选结果里。
已经到底了
另有201篇论文还没打上分类标签，暂不在筛选结果里。
比较越狱微调与权重正交化去对齐对有害协助和有用性的影响