Attaque 77

新的TARGRS框架以最小影响去毒化大语言模型和多模态大语言模型

研究人员开发了一种名为TARGRS的新型测试时框架，用于减少大语言模型（LLMs）的毒性内容生成。该方法通过学习模型潜在空间中毒性与非毒性状态之间的过渡来指导表示采样。TARGRS能以对模型核心能力最小的影响有效地引导模型产生非毒性输出，并且运行速度几乎与原始大语言模型一样快。该框架在去毒化多模态大语言模型（LVLMs）方面也取得了成功。