training-data-influence

标签

#training-data-influence

对齐惯性：通过策略覆盖抵抗审计训练数据影响的持久性

arXiv cs.AI ↗ · 2天前缓存

该论文提出了覆盖成功率（OSR）和对齐惯性等指标，以审计在操作员通过提示或微调尝试策略覆盖时，先前训练对LLM行为影响的持久性。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈