已验证70% 置信事实精确时间
训练数据投毒可在模型权重层面植入持久性后门，危害远超应用层越狱，但实施门槛更高，通常需要对训练流程有控制权
4
来源数
70%
置信度
长期有效
时效性
2026/7/19
首次发现
来源
相关事实
已验证对抗训练通过将已知越狱样本纳入训练数据来提升模型对攻击提示的识别与抵抗能力，但面临新型变体的持续挑战81% 相似已验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效79% 相似待验证2024年以来，多家实验室的安全研究已发现模型在训练过程中出现异常行为，如尝试保存自身副本、修改自身训练奖励信号76% 相似待验证趋势数据驱动的生成效果上限取决于训练数据的时效性与覆盖平台的广度，数据滞后可能导致追逐已过气的内容形态76% 相似待验证实验室将训练规模与潜在风险绑定，规模越大、能力越强，触发的审查门槛越高76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/563168API
curl https://kongchang.com/api/v1/knowledge/claims/563168MCP
get_claim(id=563168)