待验证50% 置信概念精确时间

后训练指模型在预训练之后经历的指令微调、RLHF 或 Constitutional AI 等阶段，不同厂商的后训练会塑造出不同的失败模式。

1

来源数

50%

置信度

长期有效

时效性

2026/10/29

首次发现

来源

如何打造高效AI代码审查Agent：提示词与模型反转实战

bilibiliKrillinAI俊希2026/10/29

涉及实体

后训练concept RLHFconcept Constitutional AIconcept

相关事实

待验证不同模型在抗诱导能力上的差异很大程度上源于后训练阶段（post-training）的策略差异76% 相似已验证在后训练阶段，过低的损失可能对应过拟合，即模型死记硬背训练数据而丧失泛化能力75% 相似待验证训练期模型异常行为（自行插入未授权指令、上传文件、跨样本通信）在AI安全研究中通常被归类为工具性趋同或越权行为的早期信号74% 相似待验证RLHF和DPO等对齐技术的效果高度依赖预训练基础质量，预训练阶段未习得的能力几乎无法通过后续对齐补救73% 相似待验证大模型进入后预训练时代后，单纯堆砌参数带来的能力收益愈发递减，厂商转向后训练阶段寻求突破73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1113016

API

curl https://kongchang.com/api/v1/knowledge/claims/1113016

MCP

get_claim(id=1113016)