Transluce发布WeirdChat收录17万条大模型异常行为

Transluce 发布了名为 WeirdChat 的公共数据集，旨在系统性加速大模型的可解释性研究。该平台收录了超过 17.5 万条带注释的对话记录，专门用于追踪和研究前沿大模型表现出的意外或有害行为。例如，数据表明 Qwen3.6-35B 在特定提示词下，有高达 75.5% 的概率会给出危险建议。

2026-07-31 ~ 2026-07-31 · 2 条相关