研究：基于惊讶的流式持续学习会大量吸收虚假声明

论文测试了 Qwen2.5-1.5B、Qwen2.5-3B 和 Llama-3.2-3B 三个 LoRA 学生模型在真假混合声明流上的持续学习，发现惊讶驱动的筛选规则几乎会吸收所有植入的谎言，过滤效果与随机选择相当。用 LLM 评审员逐条审核能按其准确率滤除谎言，但评审员过于谨慎，会拒收无来源的真事实。利用原模型自身先验可识别与已知知识矛盾的声明（AUC 0.78-0.83），能节省 43% 的评审调用，但无法区分恶意谎言与同类型事实的合法更新（AUC 0.53）。若存在攻击者无法伪造的可信来源，将矛盾声明路由至证据验证可降低毒化率；当攻击者能为 30% 的谎言伪造匹配来源时，该系统反而比单纯评审更差。