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
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
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% similarUnverified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% similarUnverifiedLLM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% 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69% similarUnverifiedTwo-stage检测器先通过RPN生成候选框再逐一分类，精度高但速度慢；One-stage检测器将候选框生成与分类合并为一步，牺牲少量精度换取数十倍速度提升69% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/501500API
curl https://kongchang.com/api/v1/knowledge/claims/501500MCP
get_claim(id=501500)