一篇新论文探讨了确定性大型语言模型(LLM)审议对内部干预的敏感性。研究人员对一个五人委员会进行了白盒审计,识别出低利润分支点,在这些分支点上微小的改动会显著改变输出记录。研究发现,利润减少的梯度方向比利润增加的梯度方向导致了更显著的分支,并且进一步的分析区分了文本持久性与偏好或最终决策的实际变化。 AI
影响 提供了一种审计LLM安全性和鲁棒性以应对细微内部操纵的方法。
排序理由 该集群包含一篇发表在arXiv上的研究论文,详细介绍了一种新的LLM审议审计方法。 [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 →