CATCH 对抗训练：仅约 200 例样本让大语言模型学会可迁移的诚实行为

arXiv 论文提出 CATCH（Continuous Adversarial Training for Consistent Honesty）持续对抗训练，仅用约 200 个自报告场景构建的目标，使大语言模型学会可迁移的诚实行为。