KV缓存压缩下关键词拒答率骤降但分类器仍稳定
原文标题：When Keywords Drop but Classifiers Hold: Soft Refusals under KV Cache Compression
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究发现在KV缓存压缩场景下，关键词启发式检测的拒答率从98.0%降至80.5%，而HarmBench分类器拒答率仍维持在99%以上，MMLU准确率不变。人类标注更倾向与分类器一致，表明存在「软拒答」现象。作者建议在压缩部署环境下进行安全审计时，应依赖多种与推理上下文匹配的判定器，而非仅凭关键词拒答率。
- 问题
- KV 缓存压缩后，关键词拒答率与强分类器判定是否仍一致尚不清楚。
- 方法
- 在 200 条有害提示加长填充上下文下做配对实验，对比全保留与匹配驱逐，用关键词、HarmBench 分类器、LLM 裁判和人工评分。
- 结果
- Qwen2.5-3B 关键词拒答率从 98.0% 降至 80.5%，分类器拒答率维持 99.0%-99.5%，MMLU 准确率不变。
- 影响
- 压缩部署下的安全审计不能只看关键词拒答率，需用与推理上下文匹配的多种判定器。
深读 · 结论先行AI 生成展开看要点与影响 ↓
KV缓存压缩下关键词拒答率从98.0%跌至80.5%，分类器仍维持99%以上。
- •在Qwen2.5-3B上，n=200条有害提示配长填充上下文，做全保留与匹配驱逐的配对比较
- •关键词拒答率从98.0%降至80.5%（McNemar p约1e-8），HarmBench分类器拒答率维持99.0%–99.5%
- •MMLU准确率不变，仍为50.0%，说明任务能力未受损
- •人类标注在分歧样本上主要跟随分类器，作者称之为软拒答
- •差距并非普遍存在：短填充与配对SnapKV下会减弱
为什么重要：压缩部署下若仅用关键词拒答率做安全审计，会系统性高估风险或误判模型行为，审计方需改用与推理上下文匹配的多种判定器。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。