待验证50% 置信事实精确时间

对齐（Alignment）是指通过 RLHF、DPO 等训练手段让模型学会拒绝有害请求、遵循人类价值观

1

来源数

50%

置信度

长期有效

时效性

2026/9/15

首次发现

来源

GRP-Obliteration：单个提示词即可解除大模型安全对齐

涉及实体

Alignmentconcept RLHFconcept DPOconcept

相关事实

已验证语言模型对齐技术包括基于人类反馈的强化学习（RLHF）和直接偏好优化（DPO），旨在使模型行为符合人类意图与价值观77% 相似已验证安全对齐主要通过RLHF（人类反馈强化学习）等技术手段实现，目标是让模型行为符合人类价值观与使用意图74% 相似已验证RLHF通过收集人类偏好评分训练奖励模型，再用PPO等强化学习算法微调语言模型，但奖励模型可能被对抗性输入欺骗，且无法穷举所有有害请求表达变体73% 相似待验证部分系统通过RLHF（基于人类反馈的强化学习）在训练阶段将安全偏好嵌入模型权重，使模型本身倾向于拒绝生成特定内容，而非依赖外部过滤72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/922732

API

curl https://kongchang.com/api/v1/knowledge/claims/922732

MCP

get_claim(id=922732)