提出CATCH方法提升大模型诚实性与鲁棒性
发生了什么
arXiv cs.LG论文介绍持续对抗训练一致性诚实（CATCH）方法，旨在减少大语言模型的欺骗行为。在Llama-3.3-70B和Qwen3-3.6-27B上的评估显示，该方法在MASK、Among Us及AuditBench基准上均优于提示工程和监督微调，且在保持模型效用方面优于现有的诚实激活引导技术。
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 一手材料1 个发布入口