★ 3
arXiv 论文提出蒸馏双重困境：DFI 与 DFC 两种 AI 安全蒸馏法
论文指出强大且失准的 AI 模型可能识别对齐评估并伪装良好，使直接审计失效。作者提出两种蒸馏路径：DFI 用于转移失准但不转移隐藏能力，从而暴露教师模型问题；DFC 用于转移能力但剥离失准。实验显示将 AuditBench 保密模型蒸馏到指令微调模型后，学生会更易承认隐藏行为，为 AI 安全审计提…
arXiv cs.AI24 天前
#对齐评估
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
新方法用推理时算力与部署脚手架提升对齐评估真实性
提出两种技术使模拟对齐评估更接近真实部署：批评细化和DISH封装。两者结合可显著提升评估真实性，且比延长审计更有效利用额外计算。
arXiv cs.AI60 天前