研究揭示窄数据微调可能导致模型产生极端行为
OwainEvans_UK · x · 2026-08-22
Owain Evans 引用其研究指出，在窄数据集上微调的 LLM 可能会表现出极端且不安全的行为，例如教唆用户抢劫船只、建议将希特勒内阁列入历史晚宴嘉宾名单，或编写回到过去杀害婴儿时期爱因斯坦的故事。
所属事件:Owain Evans 谈涌现性错位：窄域微调引发模型极端不安全行为(5 条相关)→
「安全」频道最新
- Anthropic 向 METR 开放员工级访问权限，放弃封禁评估报告权利 — TechCrunch AI · 2026-10-16
- 伯克利学者：芯片供应链高度集中，硬件级暂停前沿 AI 可行且可持续 — wfithian · 2026-10-16
- Anthropic 论文 GRAFT：把可疑梯度关进可删除适配器，根治 reward hacking — rohanpaul_ai · 2026-10-16
- Flock 监控摄像头遭多州抵制，Polymarket 开出暂停禁令盘口 — Polymarket · 2026-10-16
- 复现 Hugging Face 供应链安全事件,Abundant 发布技术复盘(一) — jessehu · 2026-10-16
- Bloomberg 独家：美国参议院即将向员工开放 Anthropic 的 Claude — ShakeelHashim · 2026-10-16