OpenAI 研究失对齐泛化的成因与逆转方法
OpenAI 研究在错误响应上训练如何导致语言模型出现更广泛的失对齐，并识别出驱动该行为的内部特征。该特征可通过极少量微调被逆转。
安全对齐 大事记
重要进展 IMPORTANT_PROGRESS
2026-07-17 — 2026-07-17
重要进展 · 第 17 / 28 页
xAI 起诉 Grok 用户制作儿童性虐待内容，不再否认模型被滥用
AIHOT事件 ↗原始外链未提供
安全对齐 精选历史资讯
— · 1 条
精选资讯 · 第 1 / 1 页
分类
排序
暂无内容