InterPol 论文提出通过插值偏好学习识别 LM Arena 匿名模型
热点事件持续更新
InterPol 论文提出通过插值偏好学习识别 LM Arena 匿名模型
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Minsung Cho 与 Jaehyung Kim 发布 arXiv 论文（arXiv:2603.15220，EMNLP 2026 SAC highlight award），提出 INTERPOL 框架，用于识别 LM Arena 中匿名回复对应的目标模型。据论文实验，该方法识别准确率显著优于现有基线。 该方法通过模型插值合成难负样本，并结合自适应课程学习，以克服 TF-IDF 等统计特征难以区分风格相近模型的局限。论文还在 Arena 对战数据上模拟了排名操纵，以量化这种去匿名化能力的现实威胁。
AI 根据报道生成 · 2 小时前更新
最新进展10月31日 12:00
InterPol 论文提出通过插值偏好学习去匿名化 LM Arena 模型报道时间线
沿着报道，了解事件的不同侧面。
10月31日
- arXiv cs.AIInterPol 论文提出通过插值偏好学习去匿名化 LM Arena 模型
论文提出 INTERPOL 框架，利用模型插值合成难负样本并结合自适应课程学习，识别 LM Arena 中匿名回复的目标模型，克服 TF-IDF 等统计特征难以区分风格相近模型的局限。实验显示其识别准确率显著优于现有基线，并通过 Arena 对战数据上的排名操纵模拟量化了现实威胁。
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。