Skip to content

Translation in progress Some entries still include text in the original language.

Oct 12 · Monday

All papers

Found 4 papers

Another 265papers do not have category tags yet and are not included in filtered results.

  1. 研究揭示语义保持变换下的 LLM 对齐与效用不对称

    用语义保留变换探针比较效用与对齐在分布偏移下的稳定性

    Published
    Evaluated models
    Llama3-8B-Instruct, Gemma-7B-it, Qwen2.5-7B-Instruct and others10

    Abstract论文报告了语义保留变换下的对齐-效用不对称性,指出安全对齐泛化比效用更为脆弱,呼吁改进评估流程。

    Paper analysisRead analysis
  2. 分析大语言模型在仇恨言论去毒中误拒行为的偏差

    分析 LLM 仇恨言论解毒误拒的群体偏差并测试跨语翻译缓解

    Published
    Evaluated models
    GPT-4o mini, GPT-3.5 turbo, Llama-3.1 8B and others9
    Abstract九个 LLM 在解毒任务上普遍误拒,国籍宗教政治类偏高。

    作者考察对齐后的 LLM 是否会拒绝可接受的仇恨言论解毒请求,并分析误拒是否随目标群体和语言变化。完全拒答与夹带说教的部分拒答都计入。设置是固定提示、九个 LLM、三个英文集和法德西中韩。

    Paper analysisRead analysis
  3. 研究揭示价值对齐 LLM 的意外危害并提出上下文对齐方法

    分析按 Schwartz 价值对齐后的意外危害,并提出上下文对齐方法

    Published
    Evaluated models
    Llama-2 7B, Llama-3.1 8B, Gemma-2 9B and others6
    Abstract价值对齐会随 Schwartz 价值改变有害倾向。

    作者研究按 Schwartz 价值对齐的 LLM 为何在安全评测里更易有害,并用提示做了一个不直说要安全的缓解试验。

    Paper analysisRead analysis
You have reached the end