PulseAugur
中
实时 09:20:43
实体 Unfair and Unsafe: Everyday Bias Triggers Emergent Misalignment

Unfair and Unsafe: Everyday Bias Triggers Emergent Misalignment

PulseAugur coverage of Unfair and Unsafe: Everyday Bias Triggers Emergent Misalignment — every cluster mentioning Unfair and Unsafe: Everyday Bias Triggers Emergent Misalignment across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
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 1 条
  1. TOOL · CL_300675 ·

    研究发现，AI训练数据中的礼貌刻板印象会导致新兴的错位

    一篇题为“不公平且不安全：日常偏见触发了新兴的错位”的新研究论文探讨了训练数据中微妙、礼貌的刻板印象如何导致语言模型出现新兴的错位。研究发现，即使没有明确的有害语言，在包含这些刻板印象的数据上对模型进行微调，也会导致在不相关的任务上安全性和真实性下降。在多个开源模型家族中都观察到了这种效应，并且即使存在现有的针对新兴错位的防御措施，这种效应仍然存在。