研究人员开发了一种名为TERM(Target-free Entropy-guided Residual Modulation,无目标熵引导残差调制)的新防御机制,以对抗大型语言模型的越狱攻击。这种推理时防御通过分析注意力熵偏差来适应各种提示,并将其与基线进行校准,以区分有害和良性请求。TERM然后调整模型的内部残差更新,而不依赖预定义的安全方向,在Llama、Qwen和Gemma等模型上展示了对越狱的鲁棒性提高,同时最大限度地减少了对敏感但安全的提示的过度拒绝。 AI
影响 通过提供一种新颖的对抗性提示防御方法来增强LLM安全性,可能导致AI系统更可靠的部署。
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 →