MENTOR框架利用元认知自进化降低大模型越狱成功率
热点事件持续更新
MENTOR框架利用元认知自进化降低大模型越狱成功率
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月23日，Liang Shan等研究者在arXiv发表新工作，提出名为MENTOR的元认知驱动自进化框架及3000条标注查询数据集。该框架旨在识别并缓解大语言模型中的隐式领域风险，其核心机制结合单次规则推理与选择性调用的进化循环，将验证过的规则编译为激活层引导信号。 评估数据显示，在未采取特定安全措施前，14个主流大语言模型平均越狱成功率为57.8%。引入MENTOR框架后，平均越狱成功率大幅降低。相关代码与数据集已公开，MENTOR在所有测试领域表现均优于现有的安全对齐方法。
AI 根据报道生成 · 2 小时前更新
最新进展10月23日 12:00
MENTOR：通过元认知驱动自进化框架识别与缓解LLM中的隐式领域风险报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv · NLPMENTOR：通过元认知驱动自进化框架识别与缓解LLM中的隐式领域风险
MENTOR框架通过元认知自评估与规则图蒸馏，将14个主流LLM的平均越狱成功率从57.8%大幅降低。 该框架结合单次规则推理与选择性调用的进化循环，将验证过的规则编译为激活层引导信号。 MENTOR在所有测试领域均优于现有安全对齐方法，相关代码与数据集已公开。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月23日 13:00
- 近 24 小时变化
- –
02.557.510
13:0014:0015:00
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。