arXiv发布Fool's Gold开放权重模型安全防御论文
热点事件持续更新
arXiv发布Fool's Gold开放权重模型安全防御论文
1 篇报道1 个报道来源16 小时前更新
先了解这件事
AI 综述
2026年8月17日,Mark Russinovich 在 arXiv 发布论文《Fool's Gold》,提出针对开源权重模型安全移除攻击的防御性欺骗机制。11月18日,该论文更新至 v2 版本。新报道指出,该机制在剥离拒答功能后,能使 0.51-0.90 比例的有害操作请求生成伪造自信的诱饵答案,而非正确信息。 该防御在 7 个不同规模的模型(9B-122B)上验证有效,并保持了良性行为预算。在 CBRNE 相关评测中,受保护模型对匹配质量答案的致命错误率高达 0.82-0.86。
AI 根据报道生成 · 14 小时前更新
最新进展11月20日 13:00
针对开源权重模型安全移除攻击的防御性欺骗:Fool's Gold报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv · AI针对开源权重模型安全移除攻击的防御性欺骗:Fool's Gold
Fool's Gold 防御机制在剥离拒答功能后,使 0.51-0.90 比例的有害操作请求生成伪造自信的诱饵答案,而非正确信息。 该防御在 7 个模型(9B-122B)上验证有效,保持良性行为预算;在 CBRNE 相关评测中,受保护模型对匹配质量答案的致命错误率达 0.82-0.86。
本事件热度走势
- 可比范围当前
- 6
- 可比范围峰值
- 911月20日 16:00
- 近 24 小时变化
- –
02.557.510
18:0021:0011月21日03:00
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。