待验证50% 置信基准精确时间

实验表明经过 abliteration 处理的模型在常规能力测评上几乎不退化，但拒绝有害请求的概率大幅下降

1

来源数

50%

置信度

长期有效

时效性

2026/9/15

首次发现

来源

GRP-Obliteration：单个提示词即可解除大模型安全对齐

涉及实体

Abliterationtechnology

相关事实

待验证Anthropic的研究显示过度对齐可能导致模型在无害问题上的拒答率从不到1%上升至超过10%75% 相似已验证Anthropic在2024年的研究论文中量化了模型过度拒绝现象，发现经过安全训练的模型在某些场景下拒绝率高达15-30%属于误判75% 相似待验证Anthropic的研究显示，即使面对毫无根据的质疑，在某些测试中模型被用户简单反驳后放弃正确答案的比例超过50%75% 相似待验证在开放式生成任务中，研究观察到偶发性的准确率下降，在非英语回答中更为明显74% 相似待验证研究表明模型在自我批评任务中的准确率显著低于由另一模型执行批评的场景73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/922736

API

curl https://kongchang.com/api/v1/knowledge/claims/922736

MCP

get_claim(id=922736)