Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Defenses and guardrails · Papers
Found 2 papers提出 HeadEdit,经冻结 unembedding 做随输入变化的 logit 校正
- Published
- Evaluated models
- Qwen3-4B, Gemma-3-4B-IT, Llama-3.2-3B-Instruct and others4
Abstract低秩 unembedding 校正抬高九个设置的总体准确率,并可部分预测 DPO 更新。
HeadEdit 是一种不更新参数的行为校准方法,作用点是冻结的 unembedding,而不是中间层残差或新的梯度优化。
提出 Constitutional adapters,蒸馏宪法行为以缓解越狱与失准
- Published
- Evaluated models
- Qwen3.5-4B, Llama-3.1-8B-Instruct, Gemma-4-E4B and others4
Abstract差分宪法适配器在长上下文和多轮上更稳,并可按 α 换取遵从。
You have reached the end