分类： AI 资讯

最新 arXiv 论文指出，安全对齐后的大模型在面对直接有害请求时会拒绝，但同一请求被套上角色扮演或叙事包装后，拒答率大幅下降。论文同时提出了防御方法 AXIS，试图从表示层修正这一漏洞。

Hugging Face Papers 收录的 ReSPO 论文提出用平滑双分支序列核替代 PPO 式裁剪，缓解可验证奖励强化学习中正样本梯度被抑制的问题，并在 Qwen3 稠密和 MoE 模型上报告了训练早期加速与最终分数提升。

arXiv 上一项新研究提出用多智能体社区辩论来评测大模型的“规范能力”，即仅靠互动推断群体真正执行的社会规则。结果显示，基线 LLM 智能体学不会这些规范，还会把无关的个人习惯当成规则一起模仿。