TAGS / TERM
对齐
共 23 篇
- 语言模型方向判断的认知机制 2026-06-16 · ARXIV
- 大模型输出的“隐性结构塌缩”问题及对策 2026-04-19 · JUEJIN
- 大语言模型生成有害内容的统一机制 2026-04-13 · ARXIV
- 大语言模型道德冷漠现象的机制起源研究 2026-03-17 · ARXIV
- LLM宪法多智能体治理框架 2026-03-16 · ARXIV
- 基于PPO的树搜索蒸馏技术优化语言模型 2026-03-15 · HACKER_NEWS
- 探究推理LLM作为非可验证后训练评估器的有效性 2026-03-13 · ARXIV
- 推理机制如何提升大模型的诚实度 2026-03-11 · ARXIV
- 移除开源大模型审查机制的工具 2026-03-06 · HACKER_NEWS
- 基于内部激活监测生成过程中的突发奖励黑客行为 2026-03-05 · ARXIV
- 缓解可读性代价：基于解耦证明者-验证者博弈的方法 2026-02-27 · ARXIV
- Anthropic模型蒸馏与SWE-Bench失效机制分析 2026-02-26 · BLOGS_PODCASTS
- 尼克·博斯特罗姆新论文探讨超级智能的启动时机 2026-02-13 · HACKER_NEWS
- Moltbook 漏洞：自进化 AI 社会中 Anthropic 安全机制失效 2026-02-11 · ARXIV
- 大模型涌现性错位易修复，窄错位难修正 2026-02-10 · ARXIV
- 基于人类反馈的强化学习原理与应用 2026-02-07 · HACKER_NEWS
- 让信任变得无关紧要：玩家视角下的智能体安全 2026-02-07 · HACKER_NEWS
- 重新思考大模型强化学习中的信任区域机制 2026-02-05 · ARXIV
- 训练万亿参数模型使其具备幽默感 2026-02-03 · HACKER_NEWS
- 大语言模型稀疏奖励子系统 2026-02-03 · ARXIV
- 大语言模型中角色作为潜变量：机制视角下的错位与安全失效 2026-02-02 · ARXIV
- CATTO：平衡语言模型偏好与置信度的方法 2026-02-02 · ARXIV
- 🚀ctELM：用ELM解码临床试验嵌入！精准操控💡 2026-01-27 · ARXIV