Regime-Conditional Verification: Correctness Estimation for Adapting and Monitoring Safety Classifiers

本文针对大型语言模型（LLM）部署中安全分类器（safety classifier）失效的两大痛点提出解决方案：一是分类器在训练时学到的策略与部署方（deployer）期望的策略不一致，导致决策偏差；二是随着部署流量分布演化，分类器性能会逐

历史摘要 · 未重新核验 · arXiv cs.CR