研究者提出无需外部教师的ThinkSafe安全对齐方法
热点事件持续更新
研究者提出无需外部教师的ThinkSafe安全对齐方法
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Seanie Lee等作者在arXiv发表论文，提出ThinkSafe——一种不需要外部教师模型的安全对齐方法，将安全再对齐形式化为KL投影，由冻结的学生模型自身生成安全对齐数据：先用拒绝引导引出安全推理，再用安全守卫过滤，最后进行离线微调。 论文中的实验显示，该方法在DeepSeek-R1-Distill和Qwen3上安全性显著提升且推理性能保持竞争力；在Qwen3-0.6B上，其安全性和推理表现优于GRPO，用时约为GRPO的七分之一。这些为作者论文中的实验结果。
AI 根据报道生成 · 1 小时前更新
最新进展11月3日 13:00
ThinkSafe：面向推理模型的自生成安全对齐方法报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv cs.AIThinkSafe：面向推理模型的自生成安全对齐方法
ThinkSafe 是一种无需外部教师模型的安全对齐方法，将安全再对齐形式化为 KL 投影，从冻结的学生模型自身生成安全对齐数据：通过拒绝引导引出安全推理，再用安全守卫过滤后进行离线微调。在 DeepSeek-R1-Distill 和 Qwen3 上的实验显示安全性显著提升且推理性能保持竞争力；Qwen3-0.6B 上达到比 GRPO 更好的安全性和相当推理表现，用时约为其七分之一。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。