研究提出TARGRS测试期大模型去毒框架
Start here
2026年11月2日，arXiv人工智能领域发布研究，提出了一种名为TARGRS（转移感知奖励引导表征采样）的测试期去毒框架。该方法通过在潜在表征空间中学习毒性转移奖励，引导模型进行从粗到细的表征采样，以消除毒性内容的生成。在针对10个大语言模型（LLM）的评测中，TARGRS在RealToxicityPrompts测试集上最高将毒性降低了69.38%，且保持了接近原始模型的推理速度。此外，该框架还能有效扩展至3个代表性大型视觉语言模型（LVLM），实现了最高64.23%的毒性降幅。
AI-generated from reports · Updated 5 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 人工智能通过转移感知奖励引导表征采样（TARGRS）实现 LLM 去毒
研究提出名为 TARGRS 的测试期去毒框架，通过在潜在表征空间学习毒性转移奖励，引导从粗到细的表征采样以消除毒性生成。在 10 个 LLM 的评测中，该方法在 RealToxicityPrompts 上最高将毒性降低 69.38%，同时保持接近原始模型的推理速度。TARGRS 还能扩展至 3 个代表性大型视觉语言模型（LVLM），实现最高 64.23% 的毒性降幅。
Story heat trend
Current heat 9·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.