待验证50% 置信事实精确时间

无审查模型通常是在原始基础模型上跳过或弱化RLHF安全对齐步骤后微调得到的版本

1

来源数

50%

置信度

长期有效

时效性

2026/10/2

首次发现

来源

本地跑AI编程模型全攻略：Ollama+VS Code+Cline实战

涉及实体

相关事实

待验证研究者发现只需微调模型的少量参数就能移除安全对齐（去对齐攻击），且某些越狱提示可在不同模型之间迁移73% 相似待验证级联回退机制在小模型输出置信度低于预设阈值或被质量评估模型判定不达标时，自动将请求升级至更强的模型73% 相似待验证相关研究指出基础模型通常能从约束中受益，但指令微调过的模型在开放式生成任务上质量会明显下降72% 相似待验证底层模型更换后，即便微小的输出分布变化也可能导致此前校准的安全护栏过度拦截或防护失效，需要重新标注和调试72% 相似待验证研究表明RLHF在模型残差流中留下的安全拒绝行为呈现低秩线性结构，主要分布在少数几个主方向上，因此易被正交投影移除72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/968241

API

curl https://kongchang.com/api/v1/knowledge/claims/968241

MCP

get_claim(id=968241)