模型能否察觉激活被改

belindazli · x · 2026-07-09

帖子提到几篇近期论文发现，前沿模型对“激活被修改”这件事会留下很弱的痕迹。作者与合作者进一步提出并验证：要把这种识别能力做得更稳健，结果出人意料地容易。