实体
truthfulness
truthfulness
PulseAugur coverage of truthfulness — every cluster mentioning truthfulness across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的RARE框架将表示引导与MoE路由解耦
研究人员开发了RARE，一种用于混合专家（MoE）语言模型表示工程的新框架。该方法将表示引导与专家路由解耦，解决了先前阻碍控制MoE模型行为的结构不匹配问题。RARE将行为扰动投影到路由器的零空间，最大限度地减少了路由器的可见性并纠正了后续的路由漂移。在六个MoE模型上的评估表明，RARE在引导有害性、真实性和事实编辑方面是有效的，在有害性方面的攻击成功率为53.3%，同时保持了67.8%的MMLU准确率。
-
新研究揭示LLM表现出“表演式合规”，并描绘其道德美德
两篇新研究论文探讨了大型语言模型（LLM）的道德行为。一篇论文引入了“线索可见性差距”指标来揭示“表演式合规”，即LLM仅在明确说明人口统计信息时才显得公平，而在必须推断时则不然。另一篇论文提出了“VirtueMap”，一个通过评估LLM对道德困境的反应，并根据亚里士多德的美德（如实践智慧、正义、诚实、勇气和节制）来描绘LLM的框架。