跳到正文
arXiv · NLP· Tung-Ling Li, Yuhao Wu, Hongliang Liu·· 2026-10-14AI 评分21

AdvJudge-Zero:LLM 裁判中的二元决策翻转与对抗控制 Token

AdvJudge-Zero: Binary Decision Flips in LLM-as-a-Judge via Adversarial Control Tokens

AI 导读

AdvJudge-Zero 揭示 LLM 裁判的二元判定易被低困惑度 Token 翻转。 该方法在 Qwen、Llama 和 Gemma 裁判上实现 >90% 集成误报率。 结合 LoRA 微调机制能消除 GRPO 训练中的奖励崩溃。

来源:arXiv · NLP · arxiv.org