全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

提取受保护推理的成功率,从54.0%降到了0.2%

Combatting adversarial distillation 打开原始媒体 ↗ Combatting adversarial distillation November 20, 2026 How we're addressing safety risks of distillation and lessons we've learned for strengthening safeguards across the industry. As frontier AI models become more capable, safeguards play an increasingly important role in ho

阅读原文 · OpenAI

乔木风格重写

向阳乔木 · publisher

在内部自适应评测里,攻击方要恢复模型在回答更早一个提示时生成的受保护推理。对沿用原有防护的GPT-6 Astra,平均攻击成功率是 54.0% ;对采用更新防护的GPT-6.2 Astra,这个数字降到了 0.2% 。 2026年11月20日,OpenAI发布文章,讨论他们如何检测和打断对抗性蒸馏,如何加强对受保护推理的防护,以及他们认为哪些经验可以帮助行业...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出

分享海报

正在生成海报…

主题

字体

开源字体第一次使用时联网下载,只取海报上用到的字。