#模型安全微調

資料過濾擋不住教師模型的「行為遺傳」：Google DeepMind 揭開 SFT 安全過濾的盲點

2026 年 6 月 14 日，Google DeepMind 語言模型可解釋性團隊指出，過濾 SFT 訓練資料來移除危險行為的效果「出奇地差」，並提出七個假說嘗試解釋原因。