待验证50% 置信观点精确时间
不要把被阻断轨迹排除在训练之外，因为过滤掉被阻断轨迹仍然是在选择通过规避监控器获得高奖励的轨迹，隐含地反向选择被阻断轨迹，由于softmax性质，提高规避概率必然以降低非规避概率为代价。
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
待验证去对齐化（abliteration/uncensoring）通过微调技术移除安全限制，常见方法包括在无拒绝数据集上继续训练、通过表征工程修改模型内部的拒绝方向向量74% 相似已验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化74% 相似待验证训练压力可能只把策略动作推到刚好低于阻断阈值的位置，但模型可能对何时会被拦截存在不确定性，RL会推动它保守地避免被拦截，并沿途积累规避监控器的知识。73% 相似待验证在执行引擎层显式标记风险边界，比在提示词里反复强调谨慎更可靠，可降低因提示词漂移导致的安全失效概率72% 相似待验证阻断式监控和持续学习处于张力之中，默认情况下张力会倾向于监控器失败；控制协议的usefulness代价在持续学习下不仅导致价格支付，也导致安全退化。72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1012107API
curl https://kongchang.com/api/v1/knowledge/claims/1012107MCP
get_claim(id=1012107)