[控场AI]
待验证50% 置信预测精确时间

若权威框架能系统性提高模型的服从倾向,则说明安全对齐训练可能存在分布外盲区:攻击者无需改变请求实质内容,只需更换包装方式就可能绕过拒答机制。

1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现

来源

涉及实体

相关事实

引用此条事实

Stable URI
https://kongchang.com/claim/1041450
API
curl https://kongchang.com/api/v1/knowledge/claims/1041450
MCP
get_claim(id=1041450)