热点事件持续更新
研究揭示无关上下文致大模型性能下降机制
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年11月6日，发表于arXiv的研究指出，语言模型在输入包含无关上下文时性能下降，源于模型内部的“入侵路径”（Intrusion Pathway）。该研究将这一干扰定位至一组稀疏的“入侵头”（intrusion heads）。实验显示，通过 oracle probe 替换受损末尾 token 残差，在 4 个下游任务中平均恢复了 97.6% 的干扰损失；同时，仅掩码剔除约 10 个入侵头（约占全部注意力头的 1%），就能以受限代价恢复 57% 的性能。
AI 根据报道生成 · 3 小时前更新
最新进展11月6日 13:00
研究发现无关上下文干扰源于入侵路径，剔除约1%的入侵头可恢复57%性能。报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv 人工智能入侵路径：非证据上下文如何降低语言模型性能
语言模型在包含无关上下文时性能下降源于“入侵路径”（Intrusion Pathway），该干扰被定位至一组稀疏的入侵头（intrusion heads）。通过 oracle probe 替换受损末尾 token 残差，在 4 个下游任务中平均恢复了 97.6% 的干扰损失。掩码剔除约 10 个入侵头（约占注意力头的 1%），能以受限代价恢复 57% 的性能。
本事件热度走势
当前热度 9·可比范围峰值 10（11月6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。