研究人员开发了一种新颖的无训练方法来编辑语言模型权重,旨在减少其对有害指令的遵从。该方法仅需在少量提示对上进行前向传播,并将修改直接存储在模型的权重中,使其能够抵抗基于提示的操纵。评估显示,在指令性谎言的诚实回应率方面有显著提高,并且性别歧视回应大幅减少,证明了该技术作为独立或补充安全措施的有效性。 AI
影响 这种无训练权重编辑方法可以为使LLM符合安全指南提供更强大的方式,有可能减少有害输出的发生。
排序理由 关于LLM安全新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Ali Ebrahimpour-Boroojeny
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- Influence Flower
- Litmaps
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →