安全攻防
evening
从“拒答辱骂”到“配合骂人”：模型微调如何悄悄拆除安全护栏
2026-07-16
1 阅读
约1分钟阅读
先知社区
字号:
微调可把「拒答辱骂」改成「配合骂人」；投毒过猛时闲聊也会误触发。本文讲原理、涌现错位、LoRA实操与防御。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱