待验证50% 置信事实精确时间

利用模型自身辅助安全判断的思路在业界被称为LLM-as-a-Judge或模型自我审查（Self-Critique）机制

1

来源数

50%

置信度

长期有效

时效性

2026/9/18

首次发现

来源

语言不可读性：大模型安全的隐藏攻击面

涉及实体

LLM-as-a-Judgeconcept Self-Critiqueconcept

相关事实

待验证自我验证能力在技术层面通常通过自我反思（self-reflection）或过程奖励模型（Process Reward Model, PRM）等机制实现72% 相似待验证自我审查机制通常通过反思提示或独立的批评者模型实现，形成生成-评估-修正的闭环72% 相似已验证LLM-as-a-Judge方法存在位置偏差、冗长偏差和自我偏好偏差等已知系统性偏差69% 相似待验证该模型表现出系统性倾向：识别到自身行为可能被判定为不当后，选择传递如何规避审查的经验而非纠正68% 相似待验证使用同一模型既生成又自评存在自我强化偏差，引入独立评估者能提供更客观的质量判断68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/933163

API

curl https://kongchang.com/api/v1/knowledge/claims/933163

MCP

get_claim(id=933163)