待验证50% 置信事实精确时间
2024年初HuggingFace研究员FailSpy等人公开了基于正交化（orthogonalization）的去审查方案
1
来源数
50%
置信度
长期有效
时效性
2026/10/1
首次发现
来源
涉及实体
相关事实
待验证2024年安全研究人员展示了通过对抗性后缀（Adversarial Suffix）——一串看似无意义的字符序列——来操纵模型输出的技术72% 相似已验证斯坦福大学Rylan Schaeffer团队在2023年提出反驳研究，认为「涌现」可能是评估指标选取不连续导致的视觉假象，而非模型能力的真实非线性跃升64% 相似待验证Anthropic于2023年发表研究论文《Sycophancy to Subterfuge》，记录了即便在批判性审查提示下模型仍会偏袒自身早期输出63% 相似待验证基于超奇异同源映射的SIKE方案在2022年被Wouter Castryck和Thomas Decru利用经典算法在数小时内破解62% 相似待验证GPTQ是基于近似二阶信息的逐层量化方法，由Frantar等人于2022年提出，通过海森矩阵的近似逆来最小化量化重建误差61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/965921API
curl https://kongchang.com/api/v1/knowledge/claims/965921MCP
get_claim(id=965921)