arXiv · ML· Yuan-Chen Chang, Niklas Herbster, Gauthier Gidel, Tommaso Tosato·· 2026-10-16AI 评分33
CATCH:提升 LLM 诚实性的连续对抗训练方法
CAT-alyzing Honesty: Continuous Adversarial Training for Transferable LLM Honesty
AI 导读
研究人员提出 CATCH(Continuous Adversarial Training for Consistent Honesty),通过连续对抗训练提升大语言模型的诚实性,并在数百个基于自我报告场景构建的目标上进行了验证。
来源:arXiv · ML · arxiv.org