SRFT 自我反思微调让 Agent 更好抵御提示注入攻击

约翰斯·霍普金斯大学等机构发布论文《Self-Reflection Fine-Tuning》，提出 SRFT 安全训练方法，让模型先采样自身可能的错误动作，再由专家模型分析错误原因与潜在后果，生成反思数据进行监督微调。