研究人员推出了一种新颖的框架RASET,用于评估混合专家(MoE)大型语言模型(LLM)的安全性。与安全由专门的拒绝专家管理的直觉相反,这项工作表明,安全行为可以在不影响模型的主题驱动路由的情况下进行修改。RASET专门针对并调整安全关键专家,为对齐提供了一种更有效的方法。 AI
影响 突出了MoE模型中独特的安全风险,需要有专家意识的对齐机制。
排序理由 该集群包含一篇研究论文,详细介绍了分析LLM安全性的新框架。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →