研究人员开发了新的方法来引导专家混合（MoE）大型语言模型中的拒绝行为。他们发现现有的引导向量技术即使在MoE架构下仍然有效。所提出的专家感知方法通过利用特定的专家路由模式和方向，进一步增强了这种引导，表明拒绝信号可以被单个专家有效地控制。 AI
影响 引入了控制LLM安全对齐的新技术，有可能提高对有害请求的鲁棒性。
排序理由 该集群包含一篇研究论文，详细介绍了引导LLM拒绝行为的新方法。[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 →