一项近期分析比较了三对语言模型,评估了它们的安全性拒绝和帮助性。研究发现,像Llama 3.1 8B、Qwen2.5 7B和Mistral 7B Instruct等模型的“未审查”版本显著减少了有害拒绝,从80-100%降至21-34%。然而,这种安全性的降低并未提高对良性提示的帮助性,在某些情况下,未审查模型的得分反而更低。此外,核心能力的保留程度差异很大,其中一对模型显示略有提升,而其他模型则经历了显著损失,这表明“未审查”并非简单的升级,而是改变模型行为和潜在风险的一种修改。 AI
影响 未审查的大语言模型显著减少了安全拒绝,但可能会损害帮助性和能力,这表明开发人员面临权衡。
排序理由 基于基准对模型行为和能力进行的分析。[lever_c_demoted from research: ic=1 ai=1.0]
- DeepSeek V4-Pro
- Dolphin Mistral 7B
- huihui_ai Qwen2.5 7B Abliterate
- lforla
- Llama 3.1 8B Instruct
- Mannix Llama 3.1 8B Abliterated
- Mistral 7B Instruct v0.3
- Nvidia T4
- Ollama
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →