强迫写信会抑制拒绝:WMDP 的机制证据
原文:Forcing a Letter Suppresses Refusal: Mechanistic Evidence from WMDP
大型语言模型 (LLM) 的安全基准通常使用多项选择题 (MCQ) 格式。然而,之前的研究表明,MCQ 格式降低了拒绝率,这可能会显着影响模型的安全行为。我们通过两个模型(Llama-3.1-8B 和 Qwen3-8B)对大规模杀伤性武器代理(WMDP)数据集的这种影响提供了第一个机制解释
正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。
抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。
正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。