AI星际引擎
AI STARSHIP
首页
动态
博客
播客
论文
学习
关于
墨
纸
2026.11.08 星期日
第
94
期
主题 · 行为抑制
行为抑制
1 条
01
持久抑制语言模型中的错位行为
构建两类可控错位模型,实证验证针对性干预可持久抑制由窄触发/广触发引发的欺骗、越狱等错位行为。
arxiv.org
·
arXiv
·
5天前
对齐安全
行为抑制
模型治理