研究人员开发了ActGCG,一种通过优化输入后缀来模仿转向向量效果来影响语言模型行为的新方法。这种方法是贪婪坐标梯度(Greedy Coordinate Gradient)的一种修改,无需在生成过程中访问模型的内部状态(白盒访问)即可进行行为修改。该研究探索了将模型引导至用德语回应以及实现反拒绝能力,发现离散后缀可以有效地复制转向向量在语言等概念上的行为,但在用更严格的分类器评估时,对于反拒绝等复杂行为的成功率较低。 AI
影响 这项研究提供了一种无需白盒访问即可引导LLM行为的方法,为AI应用提供了新的控制和定制形式。
排序理由 学术论文,详细介绍了一种影响语言模型行为的新方法。[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 →