arXiv · cs.AI· Gonzalo Mancera, Julian Fierrez, Aythami Morales, Ruben Tolosana, Daniel DeAlcala, Francisco Jurado·· 11 小时前
inLoRA-MINT：利用域适配大语言模型内部表示审计训练数据
inLoRA-MINT: Internal Representations for Auditing Training Data in Domain-adapted LLMs
arXiv:2610.18051v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Gonzalo Mancera, Julian Fierrez, Aythami Morales, Ruben Tolosana, Daniel DeAlcala, Francisco Jurado
研究任务与主要进展
作者提出inLoRA-MINT，利用大语言模型的中间内部表示，包括激活值和依赖参数的信号，审计样本是否被用于LoRA微调，并在无需完整访问模型参数的情况下区分训练样本与非训练样本。该方法在Qwen、Phi-4、DeepSeek-V3和LLaMA 3.2-3B四个模型及医疗、数学和学术推理数据集上报告95%至98%的得分；材料仅提供论文摘要，未说明实验和基准细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org