研究人员开发了REACT方法,该方法可以干预语言模型的思维链(CoT)过程以提高安全性。REACT从配对的安全和不安全轨迹中学习安全方向,并将其应用于早期的CoT隐藏状态,之后冻结模型权重。研究表明,最有效的控制窗口是在CoT的前两个或三个token内,到第四个或第五个token时效果会显著下降。该方法成功地将DeepSeek-R1-Distill-Llama-8B模型的安全CoT回答输出从29.06%提高到82.05%,同时保持了良性拒绝和有用性的基线水平。 AI
影响 通过在推理过程早期进行干预,提供了一种增强AI安全性的新颖技术,有可能改善对模型输出的控制。
排序理由 详细介绍一种控制AI模型行为新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- DeepSeek-R1-Distill-Llama-8B
- Gotit.pub
- Hugging Face
- IArxiv
- REACT
- ScienceCast
- StrongREJECT-273
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →