safe-fine-tuning

深度分析

Acceptance Cards：以四項機制診斷建立安全微調稽核標準

研究指出僅憑持出差距縮小來支持安全微調，易被抽樣或受試差異誤導。Acceptance Cards 提出四項稽核（可靠度、語義泛化、機制一致性、跨任務轉移）與可執行包，並以此在 Gemma-2-2B-it 上重評 SafeLoRA，未通過完整標準，強調須回報部署效能代價與缺失證據。