研究人员开发了一种新颖的两阶段训练后方法，将小型本地语言模型转变为有效的安全代理，专门用于Linux权限提升。该方法包括在过程环境跟踪上进行监督微调，然后进行可验证奖励的强化学习。由此产生的模型PrivEsc-LLM 4B在12个场景的基准测试中取得了93.3%的成功率，同时将推理成本降低了80倍以上，并保持了20轮交互的严格预算。 AI
影响 能够开发更易于访问和更安全化的专业任务AI代理，减少对云端模型的依赖。
排序理由 该项目是一篇研究论文，详细介绍了一种用于安全任务的LLM训练新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Claude Opus 4.7
- DagsHub
- Gotit.pub
- Hugging Face
- Linux
- Philipp Normann
- PrivEsc-LLM 4B
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
