待验证50% 置信观点精确时间
传统通用模型在网络安全任务上表现有限，因其训练数据中安全领域语料占比低，且缺乏针对性的评估基准（如CTF、漏洞复现数据集）。
1
来源数
50%
置信度
长期有效
时效性
2026/10/31
首次发现
来源
涉及实体
相关事实
待验证社区中流行的'去审查微调'通常只移除安全限制层，对训练数据造成的隐性偏差毫无作用74% 相似待验证私有持有的基准测试数据不公开，模型无法在训练阶段见过评测集，能更真实反映泛化能力并避免刷榜污染71% 相似待验证OpenAI的GPT-4技术报告对训练数据的描述仅寥寥数句，声称出于竞争环境和安全考量不予详述70% 相似待验证针对网络安全这类高度专业化领域，仅靠通用的RLHF可能不足以有效约束模型，因为评判代码是否构成有效漏洞利用需要深厚安全专业知识，胜任评判者极为稀缺69% 相似待验证安全团队通常审计Agent的代码、依赖和API权限，但很少审计底层模型的权重来源；来自非官方渠道的微调模型或社区分享的'无限制'变体可能夹带Abliterated处理，在模型注册表和第三方模型市场中尤其难以排查。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1119936API
curl https://kongchang.com/api/v1/knowledge/claims/1119936MCP
get_claim(id=1119936)