PlagBench: 大型语言模型在抄袭生成和检测中的二元性探索
原文中文，约600字，阅读约需2分钟。发表于：。最近的文献强调了大型语言模型（LLMs）与学术诚信相关的潜在风险，它们可以记忆部分训练实例并在生成的文本中无妥善归属地复制。此外，鉴于它们在生成高质量文本方面的能力，剽窃者可以利用 LLMs 生成与原作无法区分的逼真释义或摘要。为了应对 LLMs 可能在剽窃行为中的恶意使用，我们介绍了 PlagBench，这是一个综合的数据集，由三个针对不同写作领域的三个指导调整的 LLMs 生成的...
最近的研究发现，大型语言模型（LLMs）可能存在学术诚信风险，剽窃者可以利用LLMs生成逼真的摘要或释义。为了应对这种恶意使用，研究人员提出了一个名为PlagBench的数据集，用于评估LLMs和剽窃检测器的性能。研究结果显示，LLMs在摘要剽窃识别方面表现较差，但在商业剽窃检测方面超过了当前的检测器。
