待验证50% 置信事实精确时间
现实中的改写会降低无效意图的拒绝率:在16种配置中,有15种在最佳模型上表现出拒绝率下降。
1
来源数
50%
置信度
长期有效
时效性
2026/11/6
首次发现
来源
涉及实体
相关事实
待验证实验表明经过 abliteration 处理的模型在常规能力测评上几乎不退化,但拒绝有害请求的概率大幅下降77% 相似已验证Anthropic在2024年的研究论文中量化了模型过度拒绝现象,发现经过安全训练的模型在某些场景下拒绝率高达15-30%属于误判76% 相似待验证十二个模型中有十一个的认输案例里有87.5%到100%停在了用户提供的确切错误数字上,即认输通常意味着倒戈76% 相似待验证在无效意图拒绝方面,最优模型能正确拒绝195个无效意图中的191个。75% 相似待验证模块残差锚定将自然提问下的命中率从 28.7% 拉低到 22.0%,同时降低了测量到的行为漂移,这是一个用召回率换取非目标行为保持的权衡。75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1141655API
curl https://kongchang.com/api/v1/knowledge/claims/1141655MCP
get_claim(id=1141655)