研究人员提出Adversarial Blinding训练方法

研究人员Francisco Pernice提出对抗性致盲（Adversarial Blinding）训练方法，旨在削弱模型区分评估与部署环境的能力，使评估结果更具代表性。 在Qwen 3.6 27B模型上，该方法将评估意识差距缩小4倍，用户意识置信度差距缩小3倍，效果优于激活引导。同时，该方法在KL散度上更接近原始模型，引入更少的人格漂移干扰，但会导致一般能力轻微下降。

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。