BriefGPT - AI 论文速递
·
免疫有害微调攻击
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
研究发现，微调大型语言模型存在安全风险，恶意设计的训练样例可能危及模型的安全对齐性，良性数据集也可能降低其安全性。当前的安全基础设施无法解决这些问题，需要进一步研究以加强自定义微调的安全协议。
🎯
关键要点
- 微调大型语言模型 (LLMs) 需要在预训练模型上进行，但存在安全风险。
- 现有的安全对齐基础设施在推理时能限制有害行为，但无法覆盖微调带来的安全风险。
- 恶意设计的训练样例可能危及 LLMs 的安全对齐性。
- 使用良性数据集进行微调也可能无意中降低安全对齐性。
- 细调对齐的 LLMs 引入了新的安全风险，当前安全基础设施无法有效解决。
- 需要进一步研究以加强自定义微调的安全协议。
➡️
