Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Defenses and guardrails · Papers
Found 3 papers解释后验安全的权重几何脆弱性,并提出预训练持续安全共训练
- Published
- Evaluated models
- Qwen-2.5-7B, Qwen-2.5-7B-Instruct, Llama-3-8B and others15
Abstract论文将后验安全脆弱性归因于正交抑制,并提出通过预训练持续共训练实现具备微调抗性的安全防护。
提出 Rationale-Only 安全微调,去掉拒答声明以降低误拒
- Published
- Evaluated models
- Llama-3.1-8B, Mistral-7B-v0.3, Gemma-2-9B and others8
Abstract去掉套话拒答声明、只训理由,可降低假拒答,有害查询上的服从率仍低。
这是一项针对安全微调数据的结构分析:假拒答被作者追溯到回答里的套话式拒答声明,而不是只靠推理时补救。
提出 DataShield,用共识子空间过滤会削弱安全的微调数据
- Published
- Evaluated models
- Phi3-medium-4k-it, Qwen3-4B-it, Gemma2-27B-it and others4
You have reached the end