AI星际引擎AI STARSHIP
2026.11.08 星期日
第 94 期
主题 · 行为抑制

行为抑制

1 条
  1. 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