**LaRA：用于检测强化学习后训练中数据污染的分层表示分析框架**

_LaRA: Layer-wise Representation Analysis for Detecting Data Contamination in RL Post-Training_

> 本文提出LaRA，一个针对强化学习（RL）后训练大语言模型（LLM）的数据污染检测框架。传统检测方法依赖输出层信号（如似然或熵），但RL训练通过轨迹奖励塑造行为，使这些信号不可靠。LaRA通过分层表示分析，引入三个互补指标：扰动敏感性、方向坍缩和局部表示刚性。研究发现，污染会导致跨层的渐进性几何偏差。基于此，开发了一个聚合分层表示偏差的检测协议。实验表明，该协议在检测RL训练推理模型的数据污染方面优于现有输出基线方法。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.29888)