一项关于OLMo-2-0425-1B-Instruct模型的新研究表明,拒绝行为的几何形状是拒绝训练过程的直接反映。研究人员发现,来自拒绝-完成损失的激活更新解释了一个低维拒绝子空间的出现。研究还表明,在训练过程中使用多样化的拒绝前缀可以增强模型的拒绝能力,使其更能抵抗消融攻击。 AI
影响 为理解AI安全训练如何影响模型行为和对抗对抗性攻击的鲁棒性提供了见解。
排序理由 阐述AI模型行为研究发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →