Компьютерная наука > Криптография и безопасность [представлен 16 сентября 2026 года] Название: AUDITPLAN: Competation, Threat for Inderable Safety Rovernance View PDF HTML (экспериментальное) Резюме: Безопасная настройка трубопроводов определяет только окончательный ответ, что затрудняет проведение различия между решительным отказом и двумя нежелательными сокращениями: полный отказ в доброжелательных запросах и отполированные, но неверные обоснования безопасности, которые на самом деле не ограничивают ответ. Мы предлагаем AUDITPLAN - подход, основанный на использовании единого типового плана и тогдашнего ответа, когда модель сначала издает компактный структурированный план обеспечения безопасности, а затем отвечает на него. В плане фиксируются признаки угрозы, предполагаемые действия и явные ограничения, позволяющие проводить проверку с помощью машин при сохранении в тайне от пользователей при развертывании. Мы тренируем это поведение с подконтрольной корректировкой, за которой следует дополнительное обучение с FAITHGATE - целью, которая дает награду только в том случае, если план безопасности правилен. Это препятствует безопасному, но неверному поведению и способствует более тесной увязке между планом и ответом. Вдоль позвоночника Qwen AUDITPLAN повышает как надежность, так и проверяемость: на сайте Qwent2.5-3B FATHGATE АСР сокращается с 24,0% до 11,6%, ЛСО - с 1,1% до 0,36%, а чрезмерная прибыль - с 11,00% до 2,0 %, превышает только RL, дает свободное объяснение в форме и…
Ответ на вопрос о проверяемой гармонизации правил безопасности
arXiv:2609.19325v1 Аннот: кросс-бюллетень. Мы предлагаем AUDITPLAN - подход, основанный на использовании единого типового плана и тогдашнего ответа, когда модель сначала издает компактный структурированный план обеспечения безопасности, а затем отвечает на него. В плане фиксируются признаки угрозы, предполагаемые действия и явные ограничения, позволяющие проводить проверку с помощью машин при сохранении в тайне от пользователей при развертывании. Мы тренируем это поведение с подконтрольной корректировкой, за которой следует дополнительное обучение с FAITHGATE - целью, которая дает награду только в том случае, если план безопасности правилен. Это препятствует безопасному, но неверному поведению и способствует более тесной увязке между планом и ответом. По всем позвоночникам Qwen AUDITPLAN повышает как надежность, так и проверяемость:
