热点事件观察中
Box^2-Bench：模型能否选择性依赖外部指导
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年9月30日，HuggingFace Daily Papers 收录的论文提出 Box^2-Bench，用于衡量语言模型能否选择性依赖外部指导。该基准在固定模型与任务的前提下改变工作流可靠性，考察模型能否在受益于可靠指导的同时覆盖不可靠指导，即“跳出框框”的能力。测试显示，前沿模型虽能从可靠指导中获益，但在指导具有误导性或变得不可靠时仍很脆弱。研究团队随后用坏工作流训练两个开放权重模型，发现反事实监督微调可提升鲁棒性，而基于结果的强化学习能提高对有用工作流的使用，且该行为还可迁移到同行纠错和受损记忆的鲁棒性上。目前进展停留在基准提出与初步训练方法验证阶段。
AI 根据报道生成 · 50 分钟前更新
最新进展9月30日 08:00
Box^2-Bench：语言模型能否选择性依赖外部指导？报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- HuggingFace Daily Papers（社区热门论文）Box^2-Bench：语言模型能否选择性依赖外部指导？
研究者提出 Box^2-Bench，在固定模型与任务的前提下改变工作流可靠性，以衡量语言模型能否在受益于可靠指导的同时覆盖不可靠指导，即"跳出框框"的能力。测试显示前沿模型虽能从可靠指导中获益，但在指导具有误导性或变得不可靠时仍很脆弱。团队用坏工作流训练两个开放权重模型，发现反事实监督微调可提升鲁棒性，而基于结果的强化学习能提高对有用工作流的使用，该行为还可迁移到同行纠错和受损记忆的鲁棒性上。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。