待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/8/7

首次发现

来源

中国大模型攻击实验室后被驯化：AI安全反制技术实录

相关事实

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69% 相似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68% 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62% 相似待验证研究表明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61% 相似待验证研究人员通过n-gram重叠分析和成员推断攻击可判断特定数据是否出现在模型训练集中，但存在误报率偏高的局限60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/700725

API

curl https://kongchang.com/api/v1/knowledge/claims/700725

MCP

get_claim(id=700725)