Unverified50% confidenceFactExact time

RLHF微调阶段相比预训练在数据量级上通常小2-3个数量级，使安全行为编码为低秩覆写而非底层重塑

1

Sources

50%

Confidence

Long-term

Relevance

7/13/2026

First Seen

Sources

Jacobian-Lens in Practice: Manually Reshaping LLM Behavior with J-Space

redditr/LocalLLaMA7/11/2026

Related Claims

Unverified低精度引入的数值扰动会在RL的多轮迭代中通过策略梯度的乘积形式被放大，可能导致训练崩溃或模型性能退化74% similar Unverified红队测试中发现的对抗性样本被加入训练数据用于RLHF中的负面信号，形成攻防螺旋上升的循环69% similar UnverifiedLLM在面对开放性问题时倾向于输出训练数据中频率最高的安全表达，即听起来正确但信息密度极低的通用结论69% similar UnverifiedRLHF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69% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/501500

API

curl https://kongchang.com/api/v1/knowledge/claims/501500

MCP

get_claim(id=501500)