待验证50% 置信事实精确时间
无审查模型通常通过剔除RLHF中的拒答偏好，或采用直接偏好优化（DPO）等方法显式削弱拒答倾向两种路径实现
1
来源数
50%
置信度
长期有效
时效性
2026/9/29
首次发现
来源
涉及实体
相关事实
待验证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76% 相似待验证DPO隐含假设偏好数据服从Bradley-Terry模型，当偏好具有非传递性时可能产生不一致行为73% 相似待验证如果模型在RLHF过程中因拒绝回答而受到惩罚，它会学会尽力给出答案而非承认超出能力范围并移交人工72% 相似待验证DPO（Direct Preference Optimization）简化了RLHF流程，但未从根本上解决偏好来源的政治性问题72% 相似待验证DPO算法的偏好对齐需要同时准备正例（preferred responses）和负例（dispreferred responses）71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/958604API
curl https://kongchang.com/api/v1/knowledge/claims/958604MCP
get_claim(id=958604)