待验证50% 置信事实精确时间

RLHF微调阶段相比预训练在数据量级上通常小2-3个数量级，使安全行为编码为低秩覆写而非底层重塑

1

来源数

50%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

雅可比透镜实战：用J-Space手动改造大语言模型行为

redditr/LocalLLaMA2026/7/11

相关事实

待验证低精度引入的数值扰动会在RL的多轮迭代中通过策略梯度的乘积形式被放大，可能导致训练崩溃或模型性能退化74% 相似待验证红队测试中发现的对抗性样本被加入训练数据用于RLHF中的负面信号，形成攻防螺旋上升的循环69% 相似待验证LLM在面对开放性问题时倾向于输出训练数据中频率最高的安全表达，即听起来正确但信息密度极低的通用结论69% 相似待验证RLHF和DPO两种对齐方法均面临分布外泛化难题，训练数据未充分覆盖的边界输入无法完全防范69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/501500

API

curl https://kongchang.com/api/v1/knowledge/claims/501500

MCP

get_claim(id=501500)