研究人员开发了一种名为加权拒绝方向优化(WRDO)的新方法,以提高统一语言模型拒绝能力的鲁棒性。传统方法通常依赖单一方向来表示拒绝,这可能很脆弱。WRDO通过学习聚合多个特定于提示的拒绝方向来解决这个问题,从而能够更细致、更有效地操纵拒绝表示。在开放权重语言模型上的实验表明,WRDO比先前单一方向的方法更有效,甚至可以用于恢复受损模型的拒绝行为。 AI
影响 通过使拒绝机制更能抵抗对抗性攻击来增强AI安全性。
排序理由 详细介绍一种新AI安全改进方法的论文。[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 →