研究人员开发了SLDR,一种针对大型语言模型恶意微调的新型防御机制。该方法选择性地恢复并动态路由那些被识别为对安全损害敏感的层。SLDR在各种模型和任务中均显著减少了有害输出,同时在即使存在高中毒率的情况下也能保持合法的效用。 AI
影响 这项研究引入了一种缓解LLM微调相关风险的方法,有望提高已部署模型的安全性和可靠性。
排序理由 该集群描述了一篇关于新型LLM防御机制的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →