一项新研究论文识别出大型语言模型(LLM)评估和对齐中的一种漏洞,称为“标准诱导偏好漂移”(RIPD)。当自然语言标准的编辑(即使是通过基准验证的编辑)可能导致LLM裁判的偏好发生系统性偏移时,就会发生这种情况。研究人员证明,可以通过“偏好攻击”来利用这种漂移,即通过符合基准标准的编辑来引导LLM判断偏离可信参考,准确率最多可降低27.9%。这种诱导的偏差会通过对齐管道传播,导致训练过的LLM策略的行为发生持续和系统的漂移。 AI
影响 凸显了LLM中存在的系统性对齐风险,可能影响AI生成内容和决策的可靠性。
排序理由 研究论文详细介绍了LLM评估方法中的一种新颖漏洞。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- large-language models
- LLM judges
- Rubric-Induced Preference Drift
- Ruomeng Ding
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →