提出 InterPol 去匿名化框架

2026 年 10 月 30 日，arXiv 平台发布题为《INTERPOL：通过插值偏好学习对 LM Arena 进行去匿名化》的论文。作者 Minsung Cho 和 Jaehyung Kim 提出 INTERPOL 模型驱动识别框架，利用插值偏好学习在 LM Arena 去匿名化上取得显著效果。 该框架核心机制是利用模型插值合成困难负样本，配合自适应课程学习策略，旨在捕捉模型深层风格模式。实验结果显示，该方法的去匿名化准确率远超现有基线方法。 论文通过排名操纵模拟验证了该框架的有效性，证明其能对实际投票排行榜构成严重威胁。研究者以此揭示现有去匿名化方法的局限，并指出该框架在风格识别上的能力已足以影响榜单公正性。

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。