研究人员开发了一种新颖的方法,通过操纵输入词嵌入来增强已对齐AI模型的安全性。该技术使用基于梯度下降的嵌入,并由黑盒文本审核API指导,以最大限度地减少模型响应中的有害内容。实验表明,这种方法在标准基准测试中能有效中和被标记为不安全的输出。 AI
影响 通过修改输入嵌入以减少有害输出来提供一种改进AI安全对齐的新技术。
排序理由 关于AI安全对齐新方法的学术论文。
- aligned models
- arXiv
- gradient descent
- input word embeddings
- safety benchmarks
- text-completion models
- text-moderation API
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →