研究人员开发了一种名为PASP(感知感知对抗性自我对抗)的新方法,以改进大型语言模型(LLMs)检测有害内容的方式。该方法将包括文本、语音和视觉线索在内的多感知视图与对抗性自我对抗相结合。该系统训练一个攻击者生成规避性的有害内容,并训练一个防御者理解跨越不断变化的表面形式的意图。实验表明,PASP显著降低了有害内容检测基准上自适应攻击的成功率,提高了74%。 AI
影响 这项研究可能带来更强大的AI审核系统,更好地保护在线平台免受恶意内容的侵害。
排序理由 该集群包含一篇详细介绍AI安全研究新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →