研究人员推出 TrustMod-SM,这是一个旨在评估大型语言模型(LLM)在社交媒体内容审核中可信度的新基准。该基准包含来自八个数据集的约 29,000 个实例,在五个关键维度上评估 LLM:可信度、公平性、安全性、鲁棒性和上下文完整性。对 16 个开源模型和 1 个闭源前沿模型的初步评估显示,可信度方面存在显著差距,更高的准确性通常与人口统计学差异相关。模型在隐藏提示、对错误预测的自信以及区分仇恨言论与反击言论或被回收语言方面也存在问题,特别是对于较小的模型。 AI
影响 强调了大型语言模型在内容审核方面可信度的关键局限性,表明需要超越简单准确性的更强有力的评估。
排序理由 该集群描述了一篇介绍用于评估大型语言模型基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- counterspeech
- Frontier Model
- hate speech
- LLMs
- open-weight models
- reclaimed language
- social media content moderation
- TrustMod-SM
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →