待验证75% 置信事实时间未知
2024年安全研究人员展示了通过对抗性后缀（Adversarial Suffix）——一串看似无意义的字符序列——来操纵模型输出的技术
1
来源数
75%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
涉及实体
相关事实
待验证Anthropic于2023年发表研究论文《Sycophancy to Subterfuge》，记录了即便在批判性审查提示下模型仍会偏袒自身早期输出65% 相似待验证间隔重复方法源自赫尔曼·艾宾浩斯的遗忘曲线研究，Anki 等软件已将其工程化65% 相似待验证机制可解释性作为独立研究方向的兴起很大程度上源于Anthropic研究团队，2021年的《A Mathematical Framework for Transformer Circuits》奠定了理论基础63% 相似待验证基于超奇异同源映射的SIKE方案在2022年被Wouter Castryck和Thomas Decru利用经典算法在数小时内破解63% 相似待验证斯坦福大学Rylan Schaeffer团队在2023年提出反驳研究，认为「涌现」可能是评估指标选取不连续导致的视觉假象，而非模型能力的真实非线性跃升62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/22064API
curl https://kongchang.com/api/v1/knowledge/claims/22064MCP
get_claim(id=22064)