待验证50% 置信事实精确时间

RLMF系统会持续最小化模型内部置信度估计与对外报告置信度之间的差距

1

来源数

50%

置信度

长期有效

时效性

2026/7/16

首次发现

来源

谷歌RLMF：用元认知反馈训练大模型诚实表达不确定性

相关事实

待验证研究表明RLHF在模型残差流中留下的安全拒绝行为呈现低秩线性结构，主要分布在少数几个主方向上，因此易被正交投影移除71% 相似待验证不同厂商在RLHF阶段对安全性与有用性的权重取舍不同，过于强调规避风险会使模型给出保守、模糊、附带免责声明的回答65% 相似待验证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64% 相似待验证2023年多项研究证明，即使经过RLHF对齐的模型也难以完全抵抗精心设计的间接提示词注入63% 相似待验证仅靠微调阶段的RLHF或许永远无法产生真正鲁棒的安全对齐61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/535947

API

curl https://kongchang.com/api/v1/knowledge/claims/535947

MCP

get_claim(id=535947)