研究人员开发了CLEAR，一个用于在不牺牲实用性的情况下提高大语言模型（LLM）安全性的新框架。CLEAR使用一种连续潜在适配器路由机制，仅在必要时选择性地应用安全调整，从而防止在良性任务上的性能下降。实验表明，CLEAR在HarmBench等基准测试中显著减少了有害输出，同时在GSM8K等实用性基准测试中保持甚至提高了性能，特别是在应用于LLaMA-3-8B-Instruct等模型时。 AI
影响 这种方法可能带来更安全、更强大的大模型，减少安全性和性能之间的权衡。
排序理由 该集群描述了一篇详细介绍大模型安全对齐新方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.21278v1 Announce Type: new Abstract: Improving the safety of large language models (LLMs) often comes at the expense of utility, as globally applied safety tuning may affect model responses to both harmful and benign inputs. We propose \textbf{C}ontinuous \textbf{L}at\…
CLEAR uses a hidden-state gate to continuously modulate a safety low-rank adapter, improving LLM safety while preserving utility on benign inputs.