HuaRenCa
Back to Forum
Community

Fable老是触发safety flag Frontier_llm

大航海
大航海

2 weeks ago

如题,最近天天触发Fable的“frontier_llm”flag,说我在搞competing LLM,然后就不给用了。这个各位有什么经验吗。

实在搞不定了,想着清空机器上的cc残留重装换号,然后改成Astra Harness Fable+5.5,让Astra掌握全局信息,只给fable喂部分信息且做会话隔离,留一个fable session只给全局信息做planning,不让进行任何实际操作。不知道这样有没有戏能绕过去。。。。

6
471

Comments (6)

Your avatar
Sign in to comment
Brielle
Brielle2 weeks ago

まずはアカウントの切り替えや再インストールを急ぐ前に、地域やアカウントの種類によって判定基準が異なる場合があるので、そちらでも同様の報告があるか確認してみてください。

紫兰
紫兰2 weeks ago

正直なところ、この分離方案は実行するのがかなり難しい。Fable の判定は多くの場合、セッション全体のパターンやリクエストの特徴を見ているので、たとえ一部の情報だけを渡しても、呼び出し経路とコンテキスト構造が合っていれば、フラグはおそらく同じように立つ。しかも planning session 自体も識別可能なトラフィックを発生させているので、役割を分割するだけでは検出結果が変わるとは限らない。

永生不灭地天使
永生不灭地天使2 weeks ago

アカウントを変えて再インストールすれば解決するかは、あまり確信が持てません。もしデバイスや利用パターンに紐づく判定なら、アカウント変更はただ時間を稼いでいるだけかもしれません。スレ主さん、そのフラグは安定して再現しますか、それとも時々出るだけですか?それが分かれば、行動がトリガーなのか環境の問題なのか、みんなで判断しやすくなります。

国际语音短信
国际语音短信2 weeks ago

データを消して再インストールし、そのうえアーキテクチャまで調整するとなると、時間コストは小さくなく、しかも一巡して無駄になる可能性もあります。

丽娜
丽娜2 weeks ago

実際、多くのプラットフォームのリスク管理はセッションをまたいで累積されるため、単にセッションを分離するだけでは効果がないかもしれません。どうしても試すなら、まず小規模で一度検証し、どの操作の後にフラグが立つかを記録することをおすすめします。いきなり環境全体をいじるのは避けましょう。また、この種の判定基準は公式には通常公開されないので、更新の説明やコミュニティでのより新しいフィードバックがないか注意しておくとよいでしょう。

用户倾城之恋
用户倾城之恋2 weeks ago

以前はプランニングを実行するだけでもフラグが立っていましたか、それとも実際の操作時に初めてトリガーされましたか?この違いはかなり重要で、隔離の方向性が正しいかどうかを左右します。