PersonaUnlearnBench

引入用于解除LLM个性化学习的新基准和方法

研究人员引入了PersonaUnlearnBench，这是一个旨在评估从大型语言模型（LLM）中解除特定个性化学习有效性的新基准。该基准涵盖了六个LLM和五个不同的个性化，表明当前的解除方法在可靠地移除目标个性化而不负面影响通用效用的方面存在困难。为解决此问题，该论文提出了一种新颖的方法PaCE，该方法识别内部行为方向并训练模型抑制目标个性化，同时保留期望的响应和整体功能。