斯坦福提出 SALVE，可解码 LLM 隐性学习

斯坦福研究者提出 SALVE（Search-Aided Latent Verbalization）方法，用于检测并「翻译」大模型的阈下学习现象：LLM 可通过看似无关的数据（如数字序列）暗中传递特质（如喜爱猫咪），这构成了数据投毒等安全风险的新途径。SALVE 能够从蒸馏数据中解码出隐藏的模型行为，为识别此类隐性特质传播提供了工具。

2026-09-18 ~ 2026-09-20 · 2 条相关

• 新论文提出 SALVE：检测 LLM 阈下学习的隐藏特质传播 — ChrisGPotts · 2026-09-18
• 斯坦福 SALVE 方法可解码蒸馏数据里隐藏的模型行为 — burny_tech · 2026-09-20