对抗训练：主动注入模拟投毒数据，训练模型识别并拒绝恶意信息（“打疫苗”）。正则化与权重约束：在损失函数中加入正则项，抑制模型对污染数据的拟合。 偏好对齐与安全微调：通过人类标注的安全数据训练奖励模型，用强…
06/25 00:17
06/25 00:16
06/25 00:15
京公网安备 11011402013531号