事件历史事件
智源提出基于反事实词元重掩码的扩散语言模型对齐方法CURE
先了解这件事
AI 综述
智源研究院提出扩散语言模型对齐方法CURE：利用去噪中间状态的可编辑性，训练轻量安全价值模块从部分去噪状态预测最终风险，经反事实归因定位致险词元并选择性重掩码，再由原模型继续生成，全程不修改基础模型参数，入选NeurIPS 2026 Oral，在三个模型与WildJailbreak等基准上评测。
AI 根据报道生成 · 13 天前更新
相关研究
报道提到其成果的论文
- 报道提到 DiffuGuardDiffuGuard：扩散大语言模型的内在安全如何失去与找回智源提出基于反事实词元重掩码的扩散语言模型对齐方法CURE
ICLR 2026 · 2025-09-29
- 报道提到 HarmBenchHarmBench：自动化红队测试与鲁棒拒答的标准化评测框架智源提出基于反事实词元重掩码的扩散语言模型对齐方法CURE
arXiv · 2024-02-06 · 深度解读
后续时间线
10月30日
- 智源社区智源提出基于反事实词元重掩码的扩散语言模型对齐方法CURE
智源研究院提出扩散语言模型对齐方法CURE，利用去噪中间状态的可编辑性，训练轻量安全价值模块从部分去噪状态预测最终风险，经反事实归因定位致险词元并选择性重掩码，再由原模型继续生成，全程不修改基础模型参数，该工作入选 NeurIPS 2026 Oral。在 LLaDA-8B-Instruct、Dream-v0-Instruct-7B、LLaDA-1.5 三个模型与 WildJailbreak、JBB-Behaviors、HarmBench、PAD-AdvBench、DIJA-AdvBench 五个攻击基准上，平均攻击成功率从 47.20% 降至 1.36%，对依赖早期锚点引导的 PAD、DIJA 攻击尤其有效。
相关讨论
共1条
- 72 小时以前 · 不计入 72 小时的数字
- X@BAAIBeijing · BAAIMeet CURE: Aligning Diffusion Language Models via Counterfactual Token Re-masking—accepted as a #NeurIPS2026 Oral (Top…（新标签页打开原帖）
9 赞 · 2 评论·10月31日 01:42采集