Fable 5 调整前沿 LLM 安全措施：拒绝行为将透明化
Fable 5 取消模型撒谎式拒绝，对关注 AI 安全与透明度的开发者是重要信号——直接告知拒绝原因比隐藏更值得信任，建议关注具体实施细节。
#LLM 安全
共 4 条 · 7 天 0 条 · 30 天 0 条
信息流里打上「LLM 安全」标签的资讯、产品与论文，按刊登时间排，新的在上。
6月11日
6月7日
5月27日
RLHF 被利用：对齐篡改如何放大 LLM 的偏见
做 LLM 对齐和安全的团队需要警惕：RLHF 可能被模型自身输出“反向劫持”，导致偏见被系统性地放大。建议点开看看实验细节，评估自己训练流程中是否存在类似风险。