待验证50% 置信事实精确时间
Manacá-1B-Instruct-2 的安全能力来自专用的 safety-SFT，风格接近 LLM-jp 的 AnswerCarefully 数据集构建方式，前后迭代了三轮。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
涉及实体
相关事实
待验证安全对齐通常通过监督微调（SFT）、基于人类反馈的强化学习（RLHF）等阶段实现，近期出现了直接偏好优化（DPO）等更高效方法，对齐目标概括为3H原则：有用、诚实、无害64% 相似待验证TW3Cast使用三道守卫机制防止选型偏差：准确性与校准双重标准、针对性非对称边际、保守的逐窗口门控62% 相似待验证SAST通过分析源代码发现潜在漏洞，DAST通过运行时探测发现安全问题，这些方法围绕确定性假设构建61% 相似待验证针对提示词注入的业界推荐多层防御体系包括输入沙箱化、输出格式校验和关键操作人工审批61% 相似待验证指令跟随能力依赖于监督微调（SFT）阶段和RLHF阶段的偏好对齐优化61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1032790API
curl https://kongchang.com/api/v1/knowledge/claims/1032790MCP
get_claim(id=1032790)