研究揭示关系基础模型支持集目标泄露风险及缓解局限
先了解这件事
2026年9月30日，相关研究形式化定义了关系型基础模型在上下文学习（ICL）中的支持集目标泄露问题，指出仅在带标签支持集中存在目标衍生特征会导致推理失效，严重破坏评估可靠性。在基于RelBench数据库的任务评测中，针对20个受控特征/列的测试表明，目标表泄露（0-hop及全量泄露）偏差与性能下降最为显著，甚至可能逆转模型间的相对优劣结论，而一跳与两跳泄露未被模型一致利用。在检测与缓解方面，针对积分梯度（IG）、互信息（MI）与LOCO等方法的研究显示，通过IG排序并移除可疑列虽可在泄露影响最大的场景中部分恢复模型性能，但依靠检测器移除特征仍无法稳定恢复干净的评估结果。
AI 根据报道生成 · 11 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- arXiv 人工智能关系型基础模型在上下文学习中的支持集目标泄露：模型依赖性与评估可靠性
关系型基础模型在上下文学习（ICL）中存在支持集目标泄露风险，会严重破坏评估可靠性。研究在 13 个 RelBench 任务和 5 种 ICL 配置下测试 20 个受控特征，发现 0-hop 和全量泄露偏差最大，甚至会逆转模型间的相对优劣结论。实验对比 IG、MI 与 LOCO 检测方法表明，依靠检测器移除特征无法稳定恢复干净的评估结果。
- arXiv 人工智能关系基础模型在上下文学习中的支持集目标泄露：影响、检测与缓解
研究形式化定义了关系基础模型在上下文学习中的支持集目标泄露问题，指出仅在带标签支持集中存在目标衍生特征会导致推理失效。基于涵盖 20 个列的 14 种合成泄露类型与 RelBench 数据库评测，目标表泄露导致的性能下降最显著，而一跳与两跳泄露未被模型一致利用。利用积分梯度（IG）排序并移除可疑列，可在泄露影响最大的场景中部分恢复模型性能。
本事件热度走势
当前热度 7·可比范围峰值 9（9月30日 14:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。