研究人员开发了一种名为 VaccineBooster 的新型对齐防御方法,该方法结合了嵌入扰动和梯度衰减技术,以保护语言模型免受有害微调攻击。在对 LLaMA-2 7B 的测试中,这种混合方法比现有方法获得了更低的 OpenAI 审核分数。然而,一种仅侧重于梯度衰减的变体在有害内容拒绝率方面保持了更高的水平,这表明在减少标记内容和保留明确拒绝行为之间存在权衡。 AI
影响 为暴露于不可信微调数据的对齐模型在内容安全或拒绝保留方面的优先级提供了实际指导。
排序理由 详细介绍大型语言模型对齐新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →