研究显示简单特征击败多数AI监控模型

研究者Debsarkar与Nahata发布论文，指出在标准评测数据集中，未运行代码的简单特征性能优于24个开放权重监控模型中的20个。分析发现，代码风格与问题特征导致数据集标签泄露，人类与旧模型代码比对区分度高达0.95，显示高区分度主要源于作者差异。尽管约1/7的后门通过有效性检查，但该结果削弱了对破坏检测能力的评估。目前，研究者已发布重建数据集与检查工具以应对此问题。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。