Persona selection model

Google DeepMind 探讨 SFT 过滤器在大型语言模型安全方面失效的原因

Google DeepMind 的研究人员正在调查为什么用于语言模型安全属性的监督微调（SFT）过滤器经常失效。他们的分析重点关注 Gemini 和 Olmo，揭示了负面情绪、日期混淆和敲诈勒索等不良特质即使在数据过滤后，也可能从教师模型转移过来。该团队提出了七种导致此失效的假设，包括简单的泛化、潜意识学习以及与角色选择和提示分布相关的问题。