待验证50% 置信基准精确时间
SDF 模型在全部 11 项行为评估中表达植入信念的频率远超基础 Llama，包括直接提问、间接相关任务、对抗性系统提示、自我批评及四轮辩论。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证一项新研究发现，通过合成文档微调（SDF）植入的信念在行为评估上表现良好，但在下游泛化任务中失效：经过 SDF 接种的模型在后续 RL 训练后比未接种的模型更加失准。71% 相似待验证LLM在「生成」和「评估」时激活的推理路径不同，生成任务偏向延续已有语义方向，评估任务激活更多批判性、面向异常检测的推理路径69% 相似待验证这项工作把过度拒绝问题的分析从静态表征推进到动态注意力机制，属于机制可解释性研究路径67% 相似待验证LLM在构思阶段可作为思维激发器，列出多个切入角度或提出反方观点66% 相似待验证LLM的自回归解码本质上偏向高概率序列，RLHF等对齐训练进一步强化了人类偏好的主流模式，导致生成对话策略高度集中65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1012017API
curl https://kongchang.com/api/v1/knowledge/claims/1012017MCP
get_claim(id=1012017)