热点事件持续更新
论文研究分类后缀提升激活探针的恶意输入检测泛化
1 篇报道1 个报道来源16 小时前 更新
先了解这件事
AI 综述
该研究探讨在用户回合后追加分类指令，以提升激活探针对越狱与提示注入的分布外检测。报道显示，单位置探针最高约提升 4 个 AUC 点，且收益来自分类格式而非具体类别名；结论在 13 个安全基准、Llama-3.1-8B、Qwen3.5-9B、Gemma-4-12B 的留一数据集评估中成立，并延续到 attention、multi-max、MLP 等多位置池化探针。
AI 根据报道生成 · 15 小时前更新
最新进展10月5日 12:00
新报道披露该论文，称分类指令后缀可提升激活探针分布外检测，单位置探针最高约 4 个 AUC 点。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Machine Learning Theory提示词如何提升激活探针在野外的恶意输入泛化检测
在用户回合后追加分类指令可让激活探针提升越狱与提示注入的分布外检测，单位置探针最高约 4 个 AUC 点，且收益来自分类格式而非具体类别名。该结论在 13 个安全基准、Llama-3.1-8B、Qwen3.5-9B、Gemma-4-12B 的留一数据集评估中成立，并延续到 attention、multi-max、MLP 等多位置池化探针。
本事件热度走势
当前热度 7·可比范围峰值 10（10月5日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。