arXiv提出检测路由生成三阶段对齐框架

1. 12:00
   arXiv · AI

   拒绝对齐失效：路由层揭示中文模型审查机制盲区

   summary_zh: 针对中国起源模型的政治审查研究指出，仅基于“拒绝”的对齐评估失效。研究发现，探针准确率非诊断性，跨模型迁移因路由几何结构差异而失败。 研究涉及5家实验室的9个开源模型，采用手术式消融验证特定路由逻辑。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。