Unverified50% confidenceOpinionExact time
仅靠微调阶段的RLHF或许永远无法产生真正鲁棒的安全对齐
1
Sources
50%
Confidence
Long-term
Relevance
7/13/2026
First Seen
Sources
雅可比透镜实战：用J-Space手动改造大语言模型行为
redditr/LocalLLaMA7/11/2026
Related Claims
Unverified2023年多项研究证明，即使经过RLHF对齐的模型也难以完全抵抗精心设计的间接提示词注入73% similarUnverified不同厂商在RLHF阶段对安全性与有用性的权重取舍不同，过于强调规避风险会使模型给出保守、模糊、附带免责声明的回答69% similarUnverifiedRLHF和DPO两种对齐方法均面临分布外泛化难题，训练数据未充分覆盖的边界输入无法完全防范65% similarUnverified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64% similarVerified传统RLHF方法存在「奖励黑客」的根本性局限，模型可能学会在评估场景中表现良好却在分布外场景中失效64% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/500047API
curl https://kongchang.com/api/v1/knowledge/claims/500047MCP
get_claim(id=500047)