Ainexis
对齐与安全方向论文精读，涵盖 RLHF、DPO、Constitutional AI、可扩展监督、红队测试与越狱防御等，关注如何让模型的行为与人类意图保持一致。
逐节拆解 InstructGPT 论文：从 SFT 到奖励模…
教 AI 变安全，通常要人逐条标注「有害」样本，又贵又慢。C…
逐条拆解 DPO 论文：RLHF 为什么要分「训奖励模型 +…
