Unverified50% confidenceFactExact time
2023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
1
Sources
50%
Confidence
Long-term
Relevance
7/17/2026
First Seen
Sources
Related Claims
Unverified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73% 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71% similarVerified2024年多项学术研究表明当前主流LLM对精心设计的提示注入攻击的抵抗能力仍然有限71% similarUnverified2023年多项研究证明，对同一基准采用不同措辞重新提问，部分模型表现会显著下滑68% 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68% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/543819API
curl https://kongchang.com/api/v1/knowledge/claims/543819MCP
get_claim(id=543819)