待验证50% 置信事实精确时间

反审查模型是指通过后处理手段移除大语言模型在RLHF和安全微调阶段植入的拒绝行为的模型变体

1

来源数

50%

置信度

长期有效

时效性

2026/9/7

首次发现

来源

Qwen3.8 27B反审查模型实测对比：167小时GPU测试揭示真相

涉及实体

RLHFconcept 反审查模型concept

相关事实

待验证去审查模型是通过微调手段移除或弱化大语言模型在训练阶段被注入的安全对齐限制的模型版本76% 相似待验证Abliteration技术的原理是识别并抑制模型内部与拒绝行为相关的方向向量，从而让模型不再触发安全性拒答，而非重新训练模型70% 相似待验证指令微调与RLHF技术使模型能理解模糊的自然语言指令并拆解为技术实现路径68% 相似待验证部分系统通过RLHF（基于人类反馈的强化学习）在训练阶段将安全偏好嵌入模型权重，使模型本身倾向于拒绝生成特定内容，而非依赖外部过滤67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/871873

API

curl https://kongchang.com/api/v1/knowledge/claims/871873

MCP

get_claim(id=871873)