拒绝率清零，代价是拒掉 74% 的正常问题：安全对齐评测漏掉的另一半
Hugging Face 上 Multiverse Computing 团队最新论文实测：Qwen3-8B 安全微调后，跨基准不安全响应率均值从 26.26% 降到 0.14%，但同一 checkpoint 的 XSTest 过拒率同时从 2.00% 冲到 74.00%——他们把问题重新定义为"话题内的边界"，并给出覆盖修补、边界成对、目标模型自生成合规回复三个可复现的组件。
09.09/
苏晚/9 MIN
苏晚/9 MIN精选洞察
AI 咨询视角的深度分析与趋势解读
拆解 Claude 文本水印：不是绿名单，是锦标赛采样，以及它在中国合规里挡得住的那一半
Sebastian Raschka 用 50 张幻灯片讲清了 Claude 文本水印的机制：不是学界常提的绿红名单，是 Google SynthID-Text 那套锦标赛采样。中国合规角度还得再算一笔账——它只覆盖了标识办法的隐式一半。
09.08/苏晚/8 MIN
苏晚/8 MIN
NeoMME 拆解：单塔多模态编码器如何把视觉 RAG 索引压到每页 6 KB
Hugging Face 与 H Company 发布 NeoMME —— 260M 参数打平 3.75B 模型，late-interaction 索引从 1.5 MB 压到 6 KB。视觉 RAG 的账终于算得过来了。
09.07/苏晚/12 MIN
苏晚/12 MIN
350M 模型 100 步 GRPO 微调：结构化输出合规率从 22.6% 抬到 29.7%
Hugging Face 最新教学把小模型做结构化输出这件事拆到了工程量级：llama.cpp 跑基线、按错误类型定向做数据增强、TRL 的 GRPO 在免费 GPU 上跑 100 步。7.1 个百分点的提升不是终点，值得看的是可搬到产线上的那个闭环。
09.06/苏晚/12 MIN
苏晚/12 MIN
