研究人员开发了ForeSight,一个旨在更早阶段预测大型语言模型(LLM)有害内容生成的新框架。该方法将来自第一词元隐藏状态的弱且冗余的早期安全信号蒸馏成紧凑的、层感知的风险表示。在多个安全基准和目标模型上的实验表明,与依赖表面词元、输出logits或密集内部表示的现有方法相比,ForeSight提供了更优越且高效的早期风险预测。 AI
影响 增强了对LLM中有害内容的早期检测,可能提高模型的安全性和可靠性。
排序理由 该集群包含一篇详细介绍LLM安全新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- CORE Recommender
- DagsHub
- ForeSight
- Gotit.pub
- Hugging Face
- large language models
- Litmaps
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →