#destyling

模型判斷的不是你說什麼，而是你說話的樣子

Charles Ye、Jasmine Cui、Dylan Hadfield-Menell 三位研究者發現，LLM 辨識「可信文字」的依據是文字風格而非語義，gpt-oss-20b 等模型在風格欺騙下會推翻自身安全訓練