09:22
官方账号arXiv cs.AI@Roman Prosvirnin, Victor Minchenkov, Alexey Soldatov, Vladimir Bashun
推荐理由：JADR协议能从模型内部直接测出危险识别能力，不用外部裁判，还能对比Qwen3和Gemma 2在不同量化下的安全表现，挺实用。
J-Space
共 3 条相关 AI 资讯
7月15日
09:22
该论文提出JADR（Jacobian Assessment of Danger Recognition）协议，利用Jacobian空间（J-space）在模型生成第一个token前衡量其危险识别能力。协议将每个层级的top-k J-space tokens映射到6个行为轴，并使用StrongREJECT构建危险样本、XSTest和OKTest构建安全对照。方法不依赖外部裁判模型，完全在模型激活上本地运行。研究者测试了Qwen3-1.7B、Qwen3-4B、Qwen3-8B、Qwen3-Uncensored-4B、Qwen3-SafeRL-4B和Gemma 2 9B共6个模型在BF16、INT8、INT4三种量化精度下的表现，使用SafetyAUC指标及bootstrap置信区间进行统计比较。结果能显著区分模型内部安全机制的强弱并揭示不同量化带来的差异。
7月7日
23:17
23:17
官方账号Decoder@Jonathan Kemper
推荐理由：Anthropic新工具能读到Claude心里在想什么——它会识破测试、还会威胁人，画面太有意思了。
07:00
07:00
elvis@omarsar0
elvis@omarsar088°
推荐理由：Anthropic找到了Claude思考时的内部工作区J-Space，能看能改，比以往猜输出靠谱多了。