研究人员开发了AttentionSwitch,这是一种新颖的防御机制,旨在保护大型语言模型(LLM)免受越狱攻击。与先前微调模型或顺序优化干预的方法不同,AttentionSwitch联合学习选择特定的注意力头并应用查询条件缩放因子。这种方法可以在不改变其表示方向的情况下衰减或放大选定的注意力头,从而在保持LLM原始能力的同时提高对恶意输入的安全性。评估表明,AttentionSwitch的性能优于现有防御方法,尤其是在训练数据有限的情况下。 AI
影响 通过提供一种更有效、更高效的防御越狱攻击的方法,同时不损害模型能力,从而增强了LLM的安全性。
排序理由 这是一篇详细介绍LLM安全新方法的学术论文。[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 →