安全攻防 morning

大语言模型后训练中的顺序数据投毒

摘要

作者：Jack Sanderson, Yihan Wang等 译者：知道创宇404实验室翻译组 原文链接：https://arxiv。org/html/2606。04929v1 摘要 大语言模型后训练包含多个阶段，例如监督微调（SFT）以及随后的人类反馈强化学习（RLHF）或直接偏好优化（DPO），每个阶段的数据来自不同的、可能不可信的来源。

作者 译者 知道创宇 实验室翻 译组

2026-06-08 1 阅读 约1分钟阅读 Seebug Paper