AI
AI 资讯
alishangtian.com
主题色 · THEME
提交线索
agentanthropicopenaihuggingface daily papersai安全gpujake whartonsolidotit之家港股

搜索：abliteration

共命中 5 条（服务端检索）
Decoy Direction Optimization: A Post-Hoc Defense Against LLM Abliteration
Safety guardrails in open-weight language models can be readily bypassed using Refusal Feature Ablation (RFA), a techniq…
大模型 HuggingFace Daily Papers · 9-14 阅读 45·访客 43
Heretic（p-e-w/heretic）：不训练一个参数，让优化器自动「改写」大模型行为
Heretic 用修饰器、评分器加 Optuna 优化器的三段式架构，在不做任何训练的情况下修改开放权重大模型的行为，v2.0 引入自研 ARA 任意秩消融算法与插件系统，社区已产出 8600 多个改后模型。
开源项目 精选 · 用户投稿 · 今天 阅读 1·访客 1
Goodfire推出模型内部监测器，低成本捕捉异常AI智能体
Goodfire发布基于可解释性的监测器，直接观察AI模型内部状态而非让第二个AI复读输出，以更低成本监控智能体行为，已面向Baseten客户开放。
大模型 TechCrunch · 10-9 阅读 120·访客 120
Anthropic，你是来给智谱打广告的吧！
十三* 2026-09-30 18:04:12 来源：量子位 实测说GLM-5.3很强 金磊 发自 凹非寺 量子位 | 公众号 QbitAI 就蛮搞笑的。 事情的起因，是**Anthropic**一纸檄文状告了智谱的**GLM-5.3**…
行业动态 量子位 · 9-30 阅读 49·访客 49
Base Labs launches an open-weight AI safety partnership with Hugging Face and Goodfire
Base Labs, the research group Baseten spun up earlier this year, will develop and publish methods for training and monit…
行业动态 TechCrunch · 9-18 阅读 42·访客 42