2025-01-01 这一期

这一期没有导语。

本期收录

• 复用模型内部表示做越狱检测 (2025-01-01 · Anthropic Alignment Science)
  只微调最后一层，检测性能追平参数为主模型 1/4 的独立分类器，成本仅增 4%