提出SimpleLoRIF梯度过滤方法并发布SafeTulu

2026年10月28日，Saket Reddy等作者在arXiv发表研究，提出SimpleLoRIF梯度嵌入过滤方法，并发布SafeTulu数据集。据该报道，SimpleLoRIF通过简化低秩归因方法、将反向传播限制在最后四个transformer块，可对百万级样本数据集做梯度嵌入，从而把梯度归因变成实用的后训练数据过滤器，用于识别梯度与不安全行为对齐的微调样本，并将LLM安全退化追溯到训练数据。作者同时发布SafeTulu及一个Hugging Face Space，允许研究者构建自定义版本用于微调，例如调整移除比例或仅过滤特定子集。目前进展限于方法提出与数据集、工具发布，尚无后续跟进报道。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。