一篇新发表在arXiv上的研究论文探讨了策略内蒸馏(OPD)潜在的安全风险,OPD是一种用于迁移大型语言模型的能力和提高其安全性的技术。研究表明,即使中毒率低至3%的被投毒教师模型,也能以高达70%的攻击成功率将恶意行为传播给干净的学生模型。研究还强调,增加训练轮次和使用top-k KL散度可以加速这种后门传播。一种提出的缓解方法“延迟防御”(Lazy Defense)旨在通过降低学生模型更新的激进程度来减缓这一过程。 AI
影响 凸显了LLM安全对齐技术中的一个关键漏洞,需要为模型蒸馏制定新的安全措施。
排序理由 发表在arXiv上的研究论文,详细介绍了LLM安全技术中潜在的安全风险。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- Lazy Defense
- On-Policy Distillation
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →