一篇新研究论文提出了一个名为“预期危害”的指标,用于重新评估大型语言模型的安全评估方式。作者认为,当前方法过分强调有害输出的严重性,同时低估了现实世界行为者实现这些输出的可能性。他们的研究表明,模型通常会拒绝低概率威胁,但仍然容易受到高概率威胁的影响,这种校准不当可能源于监督微调数据。 AI
影响 提出了一个新的评估大型语言模型安全性的框架,可能带来更强大、更可靠的AI系统。
排序理由 介绍大型语言模型安全评估新指标的研究论文。[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 →