两篇新研究论文探讨了大型语言模型(LLM)作为裁判时的漏洞和防御机制。第一篇论文介绍了StableJudge,一个通过在输入到达LLM裁判之前进行清理来减轻提示注入攻击的轻量级框架。第二篇论文提出了TypeSafe AI的Jev裁判与各种LLM裁判和本地分类器的受控对抗性比较,发现Jev在基于规则的任务上表现稳健,但在基于判断的任务上则不然。 AI
影响 这些研究突显了基于LLM的裁判系统面临的关键安全和可靠性挑战,可能影响未来鲁棒性AI评估工具的开发。
排序理由 两篇在arXiv上发表的学术论文,详细介绍了LLM裁判的新框架和对抗性比较。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →