标签: 模型对齐 (2 篇)

研究揭示大模型靠文风而非标签区分指令；文本去风格化可将注入攻击成功率从61%骤降至10%。

Anthropic 撤回“静默限制大模型开发请求”政策，引发业界对 AI 安全透明度与开发者信任的深度反思。